[数据结构与算法] 算法设计与分析之动态规划（1）

开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> 数据结构与算法 -> 算法设计与分析之动态规划（1） -> 正文阅读

[数据结构与算法]算法设计与分析之动态规划（1）

一、0-1背包问题

问题背景：超市允许顾客使用一个体积大小位13的背包，选择一件或多件商品带走，问：如何带走总价最多的商品？
形式化定义：
如果我们没有学过算法设计的话，我们可能会有一些直观的选择策略，它们的核心思想为：将商品排序，依次挑选
- 策略1：按商品价格由高到低排序，优选挑选价格高的商品
- 策略2：按商品体积由小到大排序，优选挑选体积小的商品
- 策略3：按商品价值与体积的比由高到低排序，优先挑选比值高的商品
以上这些方法都不一定能保证我们得到最优解，为了确保我们得到最优解，我们不难想出，我们可以暴力枚举出所有商品的组合，然后我们去除不满足体积约束的解，最终我们选择最优解的集合即可。
暴力求解过程及伪代码
优化：在上面暴力求解过程中，我们发现有许多步的计算重复了，于是我们我们想可不可以省去重复的计算？可不可以构造一个备忘录记录每个步骤的最大值，如果计算过了就直接返回最大值。
- 带备忘录的计算顺序
我们又开始想，每次都是自顶向下分解问题，但是我们可不可以直接自底向上去做，这样可以省去自顶向上的分解步骤，进一步提高算法效率。
- 递推计算：首先确定计算顺序，按照从左到右，从上到下的顺序计算
- 递推公式： $p[i,c]=max\{P[i -1, c-v[i]] + p[i], p[i-1,c] \}$
- 伪代码
上面三种方法的代码实现

package com.tiger.study;

import java.util.ArrayList;
import java.util.HashMap;

public class BagProblem {
    public static void main(String[] args) {
        int[][] priceAndV = {{24, 10}, {2, 3}, {9, 4}, {10, 5}, {9, 4}};
        int c = 13;
        int[][] mem = new int[priceAndV.length + 1][c + 1];
        boolean[][] records = new boolean[priceAndV.length + 1][c + 1];
        for (int i1 = 0; i1 < mem.length; i1++) {
            mem[i1][0] = 0;
            records[i1][0] = false;
        }
        for (int i1 = 0; i1 < mem[0].length; i1++) {
            mem[0][i1] = 0;
            records[0][i1] = false;
        }
        HashMap<String, Integer> map = new HashMap<>();
//        System.out.println(KnapsackSREnum(priceAndV, priceAndV.length - 1, c, mem, records));
        KnapsackDP(priceAndV, priceAndV.length, c, mem, records);
        System.out.println(mem[priceAndV.length][c]);

        ArrayList<Integer> commoditys = new ArrayList<>();
        int nums = priceAndV.length;
        while (nums >= 0 && c >= 0) {
            if (records[nums][c]) {
                commoditys.add(nums);
                c -= priceAndV[nums - 1][1];
                nums--;
            } else {
                nums--;
            }
        }
        System.out.println(commoditys);

        for (int i = 0; i < mem.length; i++) {
            for (int i1 = 0; i1 < mem[i].length; i1++) {
                System.out.printf(mem[i][i1] + " ");
            }
            System.out.println();
        }
    }

    // 暴力枚举
    // 输出最大的总价格
    private static int KnapsackSREnum(int[][] arr, int i, int c) {
        if (c < 0) return -Integer.MAX_VALUE;
        if (0 >= i) return 0;
        int v = arr[i][1];
        int p = arr[i][0];
        int p1 = KnapsackSREnum(arr, i - 1, c - v);
        int p2 = KnapsackSREnum(arr, i - 1, c);
        int maxP = Math.max(p1 + p, p2);
        return maxP;
    }

    // 动态规划解1：带备忘录递归
    private static int KnapsackSREnum(int[][] arr, int i , int c, HashMap<String, Integer> map) {
        if (c < 0) return -Integer.MAX_VALUE;
        if (0 >= i) return 0;
        if (map.containsKey(i + "," + c)) return map.get(i + "," + c);
        int p = arr[i][0];
        int v = arr[i][1];
        int p1 = KnapsackSREnum(arr, i - 1, c - v, map);
        int p2 = KnapsackSREnum(arr, i - 1, c, map);
        int pMax = Math.max(p1 + p, p2);
        map.put(i + "," + c, pMax);
        return map.get(i + "," + c);
    }

    private static int KnapsackSREnum(int[][] arr, int i, int c, int[][] memorandums) {
        if (c < 0) return -Integer.MAX_VALUE;
        if (i <= 0) return 0;
        int p = arr[i][0];
        int v = arr[i][1];
        int p1 = KnapsackSREnum(arr, i - 1, c, memorandums);
        int p2= KnapsackSREnum(arr, i - 1, c - v, memorandums) + p;
        if (p1 > p2) {
            memorandums[i][c] = p1;
        } else {
            memorandums[i][c] = p2;
        }
        return memorandums[i][c];
    }

    private static int KnapsackSREnum(int[][] arr, int i, int c, int[][] memorandums, boolean[][] records) {
        if (c < 0) return -Integer.MAX_VALUE;
        if (i <= 0) return 0;
        int p = arr[i][0];
        int v = arr[i][1];
        int p1 = KnapsackSREnum(arr, i - 1, c, memorandums, records);
        int p2= KnapsackSREnum(arr, i - 1, c - v, memorandums, records) + p;
        if (p1 < p2 && v <= c) {
            memorandums[i + 1][c] = p2;
            records[i + 1][c] = true;
        } else {
            memorandums[i + 1][c] = p1;
            records[i + 1][c] = false;
        }
        return memorandums[i + 1][c];
    }

    // 自底向上：递推计算
    private static void KnapsackDP(int[][] arr, int i, int c, int[][] memorandums, boolean[][] records) {
        for (int i1 = 1; i1 <= i; i1++) {
            for (int i2 = 1; i2 <= c; i2++) {
                int v = arr[i1 - 1][1];
                int p_i = arr[i1 - 1][0];
                if (i2 < v) {
                    memorandums[i1][i2] = 0;
                    records[i1][i2] = false;
                    continue;
                }
                int p_1= memorandums[i1 - 1][i2 - v] + p_i;
                int p_2 = memorandums[i1 - 1][i2];
                if (p_1 >= p_2 && v <= i2) {
                    memorandums[i1][i2] = p_1;
                    records[i1][i2] = true;
                } else {
                    memorandums[i1][i2] = p_2;
                    records[i1][i2] = false;
                }
            }
        }
    }

}

二、动态规划

从上面背包问题引出动态规划，在背包问题中我们提出了三种解决方案，后两种方案被成为动态规划
动态规划的一般步骤：
- 问题结构分析
  - 给出问题表示
  - 明确原始问题
- 递推关系建立
  - 分析最优(子)结构。最优子结构的性质：问题的最优解由相关问题最优解组合而成，并且子问题可以独立求解
- 自底向上计算
  - 确定计算顺序
  - 依次求解问题
  - 记录决策过程
- 最优方案追踪
  - 输出最优方案
动态规划小结
- 动态规划与分而治之的区别
- 如何设计一个动态规划算法？四个步骤

三、最大子数组问题

在前面我们使用分治算法求解过这个问题，在哪里我们先将数组划分为小数组，然后计算每个小数组的最大子数组，在计算跨中间的。这里我们使用动态规划来求解。

private static int[] maxSubArrayDP(int[] arr) {
    int[] results = new int[arr.length];
    int[] records = new int[arr.length];
    int j = arr.length - 1;
    while (j >= 0) {
        if (j == arr.length - 1) {
            results[j] = arr[j];
            records[j] = j;
            j--;
        } else {
            if (results[j + 1] > 0) {
                results[j] = arr[j] + results[j + 1];
                records[j] = records[j + 1];
                j--;
            } else {
                results[j] = arr[j];
                records[j] = j;
                j--;
            }
        }
    }
    int max = Integer.MIN_VALUE;
    int max_index = 0;
    for (int i = 0; i < results.length; i++) {
        if (results[i] > max) {
            max = results[i];
            max_index = i;
        }
    }
    int[] maxSub = new int[records[max_index] - max_index + 1];
    for (int i = max_index; i <= records[max_index]; i++) {
        maxSub[i - max_index] = arr[i];
    }
    return maxSub;
}

四、最长公共子序列问题

问题描述：求两个序列中的最长公共子序列，子序列可能不唯一

package com.tiger.study;


// 最长公共子序列问题：两个序列中最长的公共子序列，子序列可以不连续，也可以不唯一


public class LongestCommonSubsequenceProblem {
    public static void main(String[] args) {
        char[] x = {'A', 'B', 'C', 'B', 'D', 'A', 'B'};
        char[] y = {'B', 'D', 'C', 'A', 'B', 'A'};
        int[][] memor = new int[x.length + 1][y.length + 1];
        String[][] record = new String[x.length][y.length];
        for (int i = 0; i < x.length; i++) {
            memor[i][0] = 0;
        }
        for (int i = 0; i < y.length; i++) {
            memor[0][i] = 0;
        }
        longestCommSubseq(x, y, memor, record);
        System.out.println(memor[x.length][y.length]);
        int x_head = x.length - 1;
        int y_head = y.length - 1;
        int longestCommLen = memor[x.length][y.length];
        char[] longestComm = new char[longestCommLen];
        longestCommLen--;
        while (longestCommLen >=0) {
            if (record[x_head][y_head] == "L") {
                y_head -= 1;
                longestComm[longestCommLen] = y[y_head];
                longestCommLen--;
            } else if (record[x_head][y_head] == "U") {
                x_head -= 1;
                longestComm[longestCommLen] = x[x_head];
                longestCommLen--;
            } else {
                x_head -= 1;
                y_head -= 1;
                longestComm[longestCommLen] = x[x_head];
                longestCommLen--;

            }
        }
        for (int i = 0; i < longestComm.length; i++) {
            System.out.println(longestComm[i] + " ");
        }

        for (int i = 0; i < record.length; i++) {
            for (int j = 0; j < record[i].length; j++) {
                System.out.printf(record[i][j] + " ");
            }
            System.out.println();
        }
        for (int i = 0; i < memor.length; i++) {
            for (int j = 0; j < memor[i].length; j++) {
                System.out.printf(memor[i][j] + " ");
            }
            System.out.println();
        }
    }

    // 动态规划求解
    private static void longestCommSubseq(char[] x, char[] y, int[][] memor, String[][] records) {
        for (int i = 0; i < x.length; i++) {
            for (int j = 0; j < y.length; j++) {
                if (x[i] == y[j]) {
                    memor[i + 1][j + 1] = memor[i][j] + 1;
                    records[i][j] = "LU";
                } else {
                    if (memor[i][j + 1] >= memor[i + 1][j]) {
                        memor[i + 1][j + 1] = memor[i][j + 1];
                        records[i][j] = "U";
                    } else {
                        memor[i + 1][j + 1] = memor[i + 1][j];
                        records[i][j] = "L";
                    }
                }
            }
        }
    }
}

五、最长子串问题

问题描述：给定两个序列，求这两个序列中最长的公共子串

package com.tiger.study;

// 最长子串问题：这个问题与之前最长子序列问题不同的在于，最长子串是连续的，但是最长子序列不需要连续。


public class LongestCommomSubstringProblem {
    public static void main(String[] args) {
        char[] x = {'A', 'B', 'C', 'A', 'D', 'B', 'B'};
        char[] y = {'B', 'C', 'E', 'D', 'B', 'B'};
        char[] substr = longestCommSubstr(x, y);
        for (int i = 0; i < substr.length; i++) {
            System.out.println(substr[i]);
        }
    }

    private static char[] longestCommSubstr(char[] x, char[] y) {
        int[][] mem = new int[x.length + 1][y.length + 1];
        int pMaxIndex = 0;
        int pLen = 0;
        for (int i = 0; i < mem.length; i++) {
            mem[i][0] = 0;
        }
        for (int i = 0; i < mem[0].length; i++) {
            mem[0][i] = 0;
        }
        for (int i = 0; i < x.length; i++) {
            for (int j = 0; j < y.length; j++) {
                if (x[i] == y[j]) {
                    mem[i + 1][j + 1] = mem[i][j] + 1;
                    if (mem[i + 1][j + 1] > pLen) {
                        pMaxIndex = i;
                        pLen = mem[i + 1][j + 1];
                    }
                } else {
                    mem[i + 1][j + 1] = 0;
                }
            }
        }

        char[] res = new char[pLen];
        for (int i = pLen; i > 0; i--) {
            res[pLen - i] = x[pMaxIndex - i + 1];
        }

        return res;
    }
}

六、编辑距离问题

问题描述：给定两个字符串，有三种操作：删除，插入，替换，问字符串1最少需要操作几次才能转换为字符串2？

package com.tiger.study;

public class EditDistanceProblem {
    public static void main(String[] args) {
        String word1 = "abcbdab";
        String word2 = "bdcaba";
        System.out.println(editDistance(word1, word2));
    }

    private static int editDistance(String word1, String word2) {
        char[] x1 = word1.toCharArray();
        char[] x2 = word2.toCharArray();
        int[][] mem = new int[x1.length + 1][x2.length + 1];
        for (int i = 0; i < mem.length; i++) {
            mem[i][0] = i;
        }
        for (int i = 0; i < mem[0].length; i++) {
            mem[0][i] = i;
        }
        for (int i = 0; i < x1.length; i++) {
            for (int j = 0; j < x2.length; j++) {
                int flag = 1;
                if (x1[i] == x2[j]) {
                    flag = 0;
                }
                mem[i + 1][j + 1] = Math.min(Math.min(mem[i][j + 1] + 1, mem[i + 1][j] + 1), mem[i][j] + flag);
            }
        }
        return mem[x1.length][x2.length];
    }
}