实验名称： 最大子段和问题
实验目的：
了解最大子段和问题
实验环境：
操作系统：Windows XP Professional SP3
机器配置：Intel Pentium4 CPU 3.0GHz , 512MB 内存 开发工具：eclipse
实验内容：
1. 求数列的最大子段和(要求时间复杂为nlogn) (算法设计与分析 吕国英 清华大学出
版社 135页 4..3.3 二分法变异) （分治法） （也可用动态规划算法 参看递归王晓东计算机算法设计与分析第三版p61页）
算法的设计思想：
在对分治法德算法分析中注意到，若记????
?
?
<=<==∑=j i k k a n j i i b ][max
][，1<=j<=n,则所求的
最大子段和为：
][1max ][1max
1max ][1max
j b n
j k a j
i n j k a n j i j
i
k j i k <=<==
<=<=<=<==?????
?<=<=<=∑
∑==
分为两种情况：
（1）、当b[j-1]>0时，b[j]=b[j-1]+a[j]。 （2）、当b[j-1]<0时，b[j]=a[j]。 由此可得计算b[j]的动态规划递归式为： b[j]=max }{][],[]1[j a j a j b +-,1<=j<=n 由分析可知：次算法一共比较了n 次，故： T(n)=O(n)
据此可以写出如下程序：
实验步骤：
程序代码如下：
package s;
public class Po{
public static void main(String[] args) {
int[] a=new int[10];
int[] b=new int[10];
int[] x=new int[10];
int start=0;
int end = 0;
System.out.print("数组为:");//随机赋值
for(int i =0;i<10;i++){
a[i]=(int)(Math.random()*100-50);
System.out.print(a[i]+" ");
}
System.out.print("\n");
tem(a,x,b);
int max=maxSum(a,b,end);
System.out.print("最大子段和为:");
System.out.println(max);
System.out.print("结束位置为:");
System.out.println(findend(a,b,end));
int begin=findStart(a,b,start,end);
System.out.print("开始位置为：");
System.out.println(begin);
systemout(x,start,end,a,b);
}
public static void tem(int a[],int x[],int b[])
{int n=a.length-1;
int sum=0;
b[0]=x[0];
System.out.println("最大值过程为:");
for(int i=1;i<=n;i++){
if(b[i-1]>0)
b[i]=b[i-1]+a[i];
else
b[i]=a[i];
if(b[i]>sum)
sum=b[i];
System.out.print(sum+" ");
}
System.out.println("\n");
}
public static int maxSum(int a[],int b[],int end)//求最大子段和{
int max=b[0];
int n=a.length-1;
for(int j=1;j { if(b[j]>max) { max=b[j]; end=j; } } return max; } public static int findend(int a[],int b[],int end)//找结束位置{ int max=b[0]; int n=a.length-1; for(int j=1;j { if(b[j]>max) { max=b[j]; end=j; } } return end; } static int findStart(int a[],int b[],int start,int end)//找开始位置 { end=findend(a,b,end); for(int j=end;j>=0;j--) { if(b[j]<=0) { start=j+1; break; } } return start; } static void systemout(int x[],int start,int end,int a[],int b[])//输出所求的子段 {start=findStart(a,b,start,end); end=findend(a,b,end); System.out.println("最大子段和的字段：\n"); for(int i=start;i<=end;i++) { System.out.print(a[i]+" "); } System.out.println("\n"); } } 运行结果如下： 实验总结： 通过这个实验，我学习和了解了最大子段和问题。最大字段和问题是一个经典问题，有着许多种解法，用动态规划解这个问题，让我对最大子段和这个问题由来更深的理解学，同时对动态规划方法有了一定的理解，我对自身所处的领域有了进一步的了解，得到了很大的收获。 一、实验目的 (2) 二、实验内容 (2) 三、实验步骤 (3) 四.程序调试及运行结果分析 (5) 附录：程序清单（程序过长，可附主要部分） (7) 实验四动态规划算法的应用 一、实验目的 1．掌握动态规划算法的基本思想，包括最优子结构性质和基于表格的最优值计算方法。 2．熟练掌握分阶段的和递推的最优子结构分析方法。 3．学会利用动态规划算法解决实际问题。 二、实验内容 1.问题描述： 题目一：数塔问题 给定一个数塔，其存储形式为如下所示的下三角矩阵。在此数塔中，从顶部出发，在每一节点可以选择向下走还是向右走，一直走到底层。请找出一条路径，使路径上的数值和最大。 输入样例（数塔）： 9 12 15 10 6 8 2 18 9 5 19 7 10 4 16 输出样例（最大路径和）： 59 题目二：最长单调递增子序列问题(课本184页例28) 设有由n个不相同的整数组成的数列，记为:a(1)、a(2)、……、a(n)且a(i)<>a(j) (i<>j) 若存在i1 题目三 0-1背包问题 给定n种物品和一个背包。物品i的重量是wi，其价值为vi，背包的容量为c，。问应如何选择装入背包中的物品，使得装入背包中物品的总价值最大? 在选择装入背包的物品时，对每种物品只有两个选择：装入或不装入，且不能重复装入。输入数据的第一行分别为：背包的容量c，，物品的个数n。接下来的n 行表示n个物品的重量和价值。输出为最大的总价值。 输入样例： 20 3 11 9 9 10 7 5 输出样例 19 2.数据输入：个人设定，由键盘输入。 3.要求： 1）上述题目任选一做。上机前，完成程序代码的编写 2）独立完成实验及实验报告 三、实验步骤 1.理解算法思想和问题要求； 2.编程实现题目要求； 3.上机输入和调试自己所编的程序； 4.验证分析实验结果； 5.整理出实验报告。 第四章动态规划 §1 引言 1.1 动态规划的发展及研究内容 动态规划（dynamic programming）是运筹学的一个分支，是求解决策过程（decision process）最优化的数学方法。20 世纪50 年代初R. E. Bellman 等人在研究多阶段决策过程(multistep decision process)的优化问题时，提出了著名的最优性原理（principle of optimality），把多阶段过程转化为一系列单阶段问题，逐个求解，创立了解决这类过程优化问题的新方法—动态规划。1957 年出版了他的名著《Dynamic Programming》，这是该领域的第一本著作。 动态规划问世以来，在经济管理、生产调度、工程技术和最优控制等方面得到了广泛的应用。例如最短路线、库存管理、资源分配、设备更新、排序、装载等问题，用动态规划方法比用其它方法求解更为方便。 虽然动态规划主要用于求解以时间划分阶段的动态过程的优化问题，但是一些与时间无关的静态规划（如线性规划、非线性规划），只要人为地引进时间因素，把它视为多阶段决策过程，也可以用动态规划方法方便地求解。 应指出，动态规划是求解某类问题的一种方法，是考察问题的一种途径，而不是一种特殊算法（如线性规划是一种算法）。因而，它不象线性规划那样有一个标准的数学表达式和明确定义的一组规则，而必须对具体问题进行具体分析处理。因此，在学习时，除了要对基本概念和方法正确理解外，应以丰富的想象力去建立模型，用创造性的技巧去求解。 例1 最短路线问题 图1 是一个线路网，连线上的数字表示两点之间的距离（或费用）。试寻求一条由A 到G距离最短（或费用最省）的路线。 图1 最短路线问题 例2 生产计划问题 工厂生产某种产品，每单位（千件）的成本为1（千元），每次开工的固定成本为3 （千元），工厂每季度的最大生产能力为6（千件）。经调查，市场对该产品的需求量第一、二、三、四季度分别为2，3，2，4（千件）。如果工厂在第一、二季度将全年的需求都生产出来，自然可以降低成本（少付固定成本费），但是对于第三、四季度才能上市的产品需付存储费，每季每千件的存储费为0.5（千元）。还规定年初和年末这种产品均无库存。试制定一个生产计划，即安排每个季度的产量，使一年的总费用（生产成本和存储费）最少。 1.2 决策过程的分类根据过程的时间变量是离散的还是连续的，分为离散时间 决策过程（discrete-time -56- 昆明理工大学信息工程与自动化学院学生实验报告 （ 201 — 201 学年 第 1 学期 ） 课程名称：算法分析与设计 开课实验室： 年 月 日 一、上机目的及内容 1.上机内容 给定有n 个整数（可能有负整数）组成的序列（a 1,a 2,…,a n ），求改序列形如 ∑=j k k a 1 的子段和的 最大值，当所有整数均为负整数时，其最大子段和为0。 2.上机目的 （1）复习数据结构课程的相关知识，实现课程间的平滑过渡； （2）掌握并应用算法的数学分析和后验分析方法； （3）理解这样一个观点：不同的算法能够解决相同的问题，这些算法的解题思路不同，复杂程度不同，解题效率也不同。 二、实验原理及基本技术路线图（方框原理图或程序流程图） （1）分别用穷举法、分治法和动态规划法设计最大子段和问题的算法； （2）对所设计的算法采用大O 符号进行时间复杂性分析； （3）上机实现算法，并用计数法和计时法分别测算算法的运行时间； （4）通过分析对比，得出自己的结论。 穷举法是用一个二维数组将从i 到j 的和都记录下来，再比较各元素的大小，时间复杂性为O （n 2），分治法的设计思想是不断将问题为子问题，然后求解子问题，最后对解进行合并，时间复杂性为O(nlog n )，动态规划法的设计思想是将问题划分为若干个子问题，时间复杂度为O(n)。 分治法流程图： 穷举法流程图： 动态规划法流程图： 三、所用仪器、材料（设备名称、型号、规格等或使用软件） 1台PC 及VISUAL C++6.0软件 四、实验方法、步骤（或：程序代码或操作过程） 程序代码： //穷举法 #include 动态规划算法原理及其应用研究 系别：x x x 姓名：x x x 指导教员： x x x 2012年5月20日 摘要：动态规划是解决最优化问题的基本方法，本文介绍了动态规划的基本思想和基本步骤，并通过几个实例的分析，研究了利用动态规划设计算法的具体途径。关键词：动态规划多阶段决策 1.引言 规划问题的最终目的就是确定各决策变量的取值，以使目标函数达到极大或极小。在线性规划和非线性规划中，决策变量都是以集合的形式被一次性处理的；然而，有时我们也会面对决策变量需分期、分批处理的多阶段决策问题。所谓多阶段决策问题是指这样一类活动过程：它可以分解为若干个互相联系的阶段，在每一阶段分别对应着一组可供选取的决策集合；即构成过程的每个阶段都需要进行一次决策的决策问题。将各个阶段的决策综合起来构成一个决策序列，称为一个策略。显然，由于各个阶段选取的决策不同，对应整个过程可以有一系列不同的策略。当过程采取某个具体策略时，相应可以得到一个确定的效果，采取不同的策略，就会得到不同的效果。多阶段的决策问题，就是要在所有可能采取的策略中选取一个最优的策略，以便得到最佳的效果。动态规划是一种求解多阶段决策问题的系统技术，可以说它横跨整个规划领域（线性规划和非线性规划）。在多阶段决策问题中，有些问题对阶段的划分具有明显的时序性，动态规划的“动态”二字也由此而得名。动态规划的主要创始人是美国数学家贝尔曼（Bellman）。20世纪40年代末50年代初，当时在兰德公司（Rand Corporation）从事研究工作的贝尔曼首先提出了动态规划的概念。1957年贝尔曼发表了数篇研究论文，并出版了他的第一部著作《动态规划》。该著作成为了当时唯一的进一步研究和应用动态规划的理论源泉。在贝尔曼及其助手们致力于发展和推广这一技术的同时，其他一些学者也对动态规划的发展做出了重大的贡献，其中最值得一提的是爱尔思（Aris）和梅特顿（Mitten）。爱尔思先后于1961年和1964年出版了两部关于动态规划的著作，并于1964年同尼母霍思尔（Nemhauser）、威尔德（Wild）一道创建了处理分枝、循环性多阶段决策系统的一般性理论。梅特顿提出了许多对动态规划后来发展有着重要意义的基础性观点，并且对明晰动态规划路径的数 第四章 数学规划模型 【教学目的】：深刻理解线性规划，非线性规划，动态规划方法建模的基本特点，并能熟练建立一些实际问题的数学规划模型；熟练掌握用数学软件（Matlab ，Lindo ，Lingo 等）求解优化问题的方法。 【教学重点难点】： 教学重点：线性规划和非线性规划的基本概念和算法，解决数学规划问题的一般思路和 方法，线性规划模型、整数规划模型、非线性规划模型的构建及其Matlab 与Lingo 实现。 教学难点：区分线性规划模型和非线性模型适用的实际问题，以及何时采用线性模型， 何时采用非线性模型，线性模型与非线性模型的转化。 【课时安排】：10学时 【教学方法】：采用多媒体教学手段，配合实例教学法，通过对典型例题的讲解启发学生思维，并给与学生适当的课后思考讨论的时间，加深知识掌握的程度。安排一定课时的上机操作。 【教学内容】： 在众多实际问题中，常常要求决策（确定）一些可控制量的值，使得相关的量（目标）达到最佳（最大或最小）。这些问题就叫优化问题，通常需要建立规划模型进行求解。称这些可控制量为决策变量，相关的目标量为目标函数；一般情况下，决策变量x 的取值是受限制的，不妨记为x ∈Ω，Ω称为可行域，优化问题的数学模型可表示为 Max(或Min)f(x), x ∈Ω 一般情况下，x 是一个多元变量，f(x)为多元函数，可行域比较复杂，一般可用一组不等式组来表示，这样规划问题的一般形式为 () x Min f x . ()0,1,2,,i st g x i m ≤= 虽然，该问题属于多元函数极值问题，但变量个数和约束条件比较多，一般不能用微分法进行解决，而通过规划方法来求解；这里讨论的不是规划问题的具体算法，主要是讨论如何将一个实际问题建立优化模型，并利用优化软件包进行求解。 根据目标函数和约束函数是否为线性，将规划模型分为线性规划和非线性规划。 4.1线性规划 线性规划(LP)研究的实际问题多种多样的，它在工农业生产、经济管理、优化设计与控 实验名称： 最大子段和问题 实验目的： 了解最大子段和问题 实验环境： 操作系统：Windows XP Professional SP3 机器配置：Intel Pentium4 CPU 3.0GHz , 512MB 内存 开发工具：eclipse 实验内容： 1. 求数列的最大子段和(要求时间复杂为nlogn) (算法设计与分析 吕国英 清华大学出 版社 135页 4..3.3 二分法变异) （分治法） （也可用动态规划算法 参看递归王晓东计算机算法设计与分析第三版p61页） 算法的设计思想： 在对分治法德算法分析中注意到，若记???? ? ? <=<==∑=j i k k a n j i i b ][max ][，1<=j<=n,则所求的 最大子段和为： ][1max ][1max 1max ][1max j b n j k a j i n j k a n j i j i k j i k <=<== <=<=<=<==????? ?<=<=<=∑ ∑== 分为两种情况： （1）、当b[j-1]>0时，b[j]=b[j-1]+a[j]。 （2）、当b[j-1]<0时，b[j]=a[j]。 由此可得计算b[j]的动态规划递归式为： b[j]=max }{][],[]1[j a j a j b +-,1<=j<=n 由分析可知：次算法一共比较了n 次，故： T(n)=O(n) 据此可以写出如下程序： 实验步骤： 程序代码如下： package s; public class Po{ public static void main(String[] args) { int[] a=new int[10]; int[] b=new int[10]; int[] x=new int[10]; int start=0; int end = 0; System.out.print("数组为:");//随机赋值 for(int i =0;i<10;i++){ a[i]=(int)(Math.random()*100-50); System.out.print(a[i]+" "); } System.out.print("\n"); tem(a,x,b); int max=maxSum(a,b,end); System.out.print("最大子段和为:"); System.out.println(max); System.out.print("结束位置为:"); System.out.println(findend(a,b,end)); int begin=findStart(a,b,start,end); System.out.print("开始位置为："); System.out.println(begin); systemout(x,start,end,a,b); } public static void tem(int a[],int x[],int b[]) {int n=a.length-1; int sum=0; b[0]=x[0]; 动态规划是对最优化问题的一种新的算法设计方法。由于各种问题的性质不同，确定最优解的条件也互不相同，因而动态规划的没计法对不同的问题，有各具特色的表示方式。不存在一种万能的动态规划算法。但是可以通过对若干有代表性的问题的动态规划算法进行讨论，学会这一设计方法。 多阶段决策过程最优化问题 ——动态规划的基本模型 在现实生活中，有一类活动的过程，由于它的特殊性，可将过程分成若干个互相联系的阶段，在它的每一阶段都需要作出决策，从而使整个过程达到最好的活动效果。因此各个阶段决策的选取不能任意确定，它依赖于当前面临的状态，又影响以后的发展。当各个阶段决策确定后，就组成一个决策序列，因而也就确定了整个过程的一条活动路线。这种把一个问题看做是一个前后关联具有链状结构的多阶段过程就称为多阶段决策过程，这种问题称为多阶段决策最优化问题。 【例题1】最短路径问题。图中给出了一个地图，地图中每个顶点代表一个城市，两个城市间的连线代表道路，连线上的数值代表道路的长度。现在，想从城市A到达城市E，怎样走路程最短，最短路程的长度是多少? 【分析】把从A到E的全过程分成四个阶段，用k表示阶段变量，第1阶段有一个初始状态A，两条可供选择的支路ABl、AB2；第2阶段有两个初始状态B1、 B2，B1有三条可供选择的支路，B2有两条可供选择的支路……。用dk(x k，x k+1)表示在第k阶段由初始状态x k到下阶段的初始状态x k+1的路径距离，Fk(x k)表示从第k阶段的x k到终点E的最短距离，利用倒推方法求解A到E的最短距离。具体计算过程如下： S1：K=4，有：F4(D1)=3，F4(D2)=4，F4(D3)=3 S2: K=3，有： F3(C1)=min{d3(C1,D1)+F4(D1),d3(C1,D2)+F4(d2)}=min{8,10}=8 F3(C2)=d3(C2,D1)+f4(D1)=5+3=8 F3(C3)=d3(C3,D3)+f4(D3)=8+3=11 F3(C4)=d3(C4,D3)+f4(D3)=3+3=6 最大子序列和 第一种情况：可以一个不取 【问题描述】：最大子序列和也叫数列的连续最大和，顾名思义，就是在一个长度为n的数列{An}中，求i，j（1<=i<=j<=n），使得数列{An}中，第i个元素到第j个元素之间，所有元素的和最大。例如：-2, 11, -4, 13, -5, -2时答案为20（11 -4 13） 解法一穷举法：以前我想出了一种算法，具体做法是：取出所给序列的所有子序列求和,共分n组，第一组长度为1，有n个；第二组长度为2, 有n-1个；……，最后一组，长度为n,只有一个。比较这n(n＋1)/2个序列的和，再将每组的最大值比较，从而得到最大值以及其上下标。 a1 a2 a n-1 a n a1+a2 a2+a3 a n-1+a n a1+a2+a3 a2+a3+a4 ...... ...... ...... a1+a2......+a n-1 a2+a3......+a n a1+a2......+a n-1 +a n 此算法比较直接，也容易写出代码，但其时间开销为O(n2)，空间开销为O(n)，效率不高。 解法二：动态规划求解， 1 2 F[i]：表示以元素i结尾的连续最大子序列的和 那么对于第i个元素来说，要形成连续的最大子序列，只和相邻的前一个元素有关。因为可以不取，所以如果元素a[i]连接到以元素i-1结尾的最大连续子序列f[i-1]后是负数（f[i-1]+a[i]<0）;则宁可不取，这样最大连续子序列和为0。 动态方程： f[i]:=max{0,f[I-1]+a[i]} (边界条件：f[0]=0;) 3、代码1： for I:=1 to n do if (f[I-1]+a[i])>0 then f[i]:=f[I-1]+a[i] else f[i]:=0; max:=-maxlongint; for i:=1 to n do if f[i]>max then max:=f[i]; 题目：用动态规划法实现求两序列的最长公共子序列。 程序代码 #include 常见动态规划算法问题 策略分析 目录 一、动态规划策略 (1) 1.动态规划介绍 (1) 2.求解动态规划问题步骤 (1) 二、几种动态规划算法的策略分析 (1) 1.装配线调度问题 (1) 2.矩阵链乘问题 (2) 3.最长公共子序列（LCS） (3) 4.最大字段和 (4) 5.0-1背包问题 (4) 三、两种解决策略 (5) 1.自底向上策略 (5) 2.自顶向上（备忘录）策略 (5) 3.优缺点分析 (5) 四、总结 (6) 一、动态规划策略 1.动态规划介绍 动态规划过程是：每次决策依赖于当前状态，又随即引起状态的转移。一个决策序列就是在变化的状态中产生出来的，所以，这种多 阶段最优化决策解决问题的过程就称为动态规划。 基本思想与分治法类似，也是将待求解的问题分解为若干个子问题（阶段），按顺序求解子阶段，前一子问题的解，为后一子问题的 求解提供了有用的信息。在求解任一子问题时，列出各种可能的局部 解，通过决策保留那些有可能达到最优的局部解，丢弃其他局部解。 依次解决各子问题，最后一个子问题就是初始问题的解。 由于动态规划解决的问题多数有重叠子问题这个特点，为减少重复计算，对每一个子问题只解一次，将其不同阶段的不同状态保存在 一个二维数组中。 与分治法最大的差别是：适合于用动态规划法求解的问题，经分解后得到的子问题往往不是互相独立的（即下一个子阶段的求解是建 立在上一个子阶段的解的基础上，进行进一步的求解）。 2.求解动态规划问题步骤 （1）确定最优解结构 （2）递归定义最优解的值 （3）自底向上计算最优解的值 （4）重构最优解 二、几种动态规划算法的策略分析 1.装配线调度问题 分析：首先确定最优解结构，分析问题可知大致分为两种情况： 实验报告 （2009/2010学年第一学期） 课程名称算法分析与设计A 实验名称动态规划法 实验时间2009 年11 月20 日指导单位计算机学院软件工程系 指导教师张怡婷 学生姓名丁力琪班级学号B07030907 学院(系) 计算机学院专业软件工程 实验报告 实验名称动态规划法指导教师张怡婷实验类型验证实验学时2×2实验时间2009-11-20一、实验目的和任务 目的：加深对动态规划法的算法原理及实现过程的理解，学习用动态规划法解决实际应用中的最长公共子序列问题。 任务：用动态规划法实现求两序列的最长公共子序列，其比较结果可用于基因比较、文章比较等多个领域。 要求：掌握动态规划法的思想，及动态规划法在实际中的应用；分析最长公共子序列的问题特征，选择算法策略并设计具体算法，编程实现两输入序列的比较，并输出它们的最长公共子序列。 二、实验环境(实验设备) 硬件：计算机 软件：Visual C++ 三、实验原理及内容（包括操作过程、结果分析等） 1、最长公共子序列（LCS）问题是：给定两个字符序列X={x1,x2,……,x m}和Y={y1,y2,……,y n}，要求找出X和Y的一个最长公共子序列。 例如：X={a,b,c,b,d,a,b},Y={b,d,c,a,b,a}。它们的最长公共子序列LSC={b,c,d,a}。 通过“穷举法”列出所有X的所有子序列，检查其是否为Y的子序列并记录最长公共子序列并记录最长公共子序列的长度这种方法，求解时间为指数级别的，因此不可取。 2、分析LCS问题特征可知，如果Z={z1,z2,……，z k}为它们的最长公共子序列，则它们一定具有以下性质： （1）若x m=y n，则z k=x m=y n，且Z k-1是X m-1和Y n-1的最长公共子序列； （2）若x m≠y n且x m≠z k，则Z是X m-1和Y的最长公共子序列； （3）若x m≠y n且z k≠y n，则Z是X和Y的最长公共子序列。 这样就将求X和Y的最长公共子序列问题，分解为求解较小规模的问题： 若x m=y m，则进一步分解为求解两个（前缀）子字符序列X m-1和Y n-1的最长公共子序列问题； 如果x m≠y n，则原问题转化为求解两个子问题，即找出X m-1和Y的最长公共子序列与找出X 和Y n-1的最长公共子序列，取两者中较长者作为X和Y的最长公共子序列。 由此可见，两个序列的最长公共子序列包含了这两个序列的前缀的最长公共子序列，具有最优子结构性质。 3、令c[i][j]保存字符序列X i={x1,x2,……,x i}和Y j={y1,y2,……,y j}的最长公共子序列的长度，由上述分析可得如下递推式： 0 i=0或j=0 c[i][j]= c[i-1][j-1]+1 i,j>0且x i=y j max{c[i][j-1],c[i-1][j]} i,j>0且x i≠y j 由此可见，最长公共子序列的求解具有重叠子问题性质，如果采用递归算法实现，会得到一个指数时间算法，因此需要采用动态规划法自底向上求解，并保存子问题的解，这样可以避免重复计算子问题，在多项式时间内完成计算。 4、为了能由最优解值进一步得到最优解（即最长公共子序列），还需要一个二维数组s[][]，数组中的元素s[i][j]记录c[i][j]的值是由三个子问题c[i-1][j-1]+1,c[i][j-1]和c[i-1][j]中的哪一个计算得到，从而可以得到最优解的当前解分量（即最长公共子序列中的当前字符），最终构造出最长公共子序列自身。 引言——由一个问题引出的算法 考虑以下问题 [例1] 最短路径问题 现有一张地图，各结点代表城市，两结点间连线代表道路，线上数字表示城市间的距离。如图1所示，试找出从结点A到结点E的最短距离。 图 1 我们可以用深度优先搜索法来解决此问题，该问题的递归式为 其中是与v相邻的节点的集合，w(v,u表示从v到u的边的长度。 具体算法如下： 开始时标记所有的顶点未访问过，MinDistance(A就是从A到E的最短距离。 这个程序的效率如何呢？我们可以看到，每次除了已经访问过的城市外，其他城市都要访问，所以时间复杂度为O(n!，这是一个“指数级”的算法，那么，还有没有更好的算法呢？ 首先，我们来观察一下这个算法。在求从B1到E的最短距离的时候，先求出从C2到E的最短距离；而在求从B2到E的最短距离的时候，又求了一遍从C2到E的最短距离。也就是说，从C2到E的最短距离我们求了两遍。同样可以发现，在求从C1、C2到E的最短距离的过程中，从D1到E的最短距离也被求了两遍。而在整个程序中，从D1到E的最短距离被求了四遍。如果在求解的过程中，同时将求得的最短距离"记录在案"，随时调用，就可以避免这种情况。于是，可以改进该算法，将每次求出的从v到E的最短距离记录下来，在算法中递归地求MinDistance(v时先检查以前是否已经求过了MinDistance(v，如果求过了则不用重新求一遍，只要查找以前的记录就可以了。这样，由于所有的点有n个，因此不同的状态数目有n 个，该算法的数量级为O(n。 更进一步，可以将这种递归改为递推，这样可以减少递归调用的开销。 请看图1，可以发现，A只和Bi相邻，Bi只和Ci相邻,...，依此类推。这样，我们可以将原问题的解决过程划分为4个阶段，设 动态规划算法 1. 动态规划算法介绍 基本思想是将待求解问题分解成若干子问题，先求解子问题，最后用这些子问题带到原问题，与分治算法的不同是，经分解得到的子问题往往是不是相互独立，若用分治则子问题太多。 2. 适用动态规划算法问题的特征 （1）最优子结构 设计动态规划算法的第一步骤通常是要刻画最优解的结构。当问题的最优解包含了其子问题的最优解时，称该问题具有最优子结构性质。问题的最优子结构性质提供了该问题可用动态规划算法求解的重要线索。 在动态规划算法中，问题的最优子结构性质使我们能够以自底向下的方式递归地从子问题的最优解逐步构造出整个问题的最优解。同时，它也使我们能在相对小的子问题空间中考虑问题。 （2）重叠子问题 可用动态规划算法求解的问题应具备的另一基本要素是子问题的重叠性质。在用递归算法自顶向下解此问题时，每次产生的子问题并不总是新问题，有些子问题被反复计算多次。动态规划算法正是利用了这种子问题的重叠性质，对每一个子问题只解一次，而后将其解保存在一个表格中，当再次需要解此子问题时，只有简单地用常数时间查看一下结果。通常，不同的子问题个数随输入问题的大小呈多项式增长。因此，用动态规划算法通常只需要多项式时间，从而获得较高的解题效率。 （3）备忘录方法 动态规划算法的一个变形是备忘录方法。备忘录方法也是一个表格来保存已解决的子问题的答案，在下次需要解此子问题时，只要简单地查看该子问题的解答，而不必重新计算。与动态规划算法不同的是，备忘录方法的递归方式是自顶向下的，而动态规划算法则是自底向上递归的。因此，备忘录方法的控制结构与直接递归方法的控制结构相同，区别在于备忘录方法为每个解过的子问题建立了备忘录以备需要时查看，避免了相同子问题的重复求解。 备忘录方法为每个子问题建立一个记录项，初始化时，该记录项存入一个特殊的值，表示该子问题尚未求解。在求解过程中，对每个待求的子问题，首先查看其相应的记录项。若记录项中存储的是初始化时存入的特殊值，则表示该子问题是第一次遇到，则此时计算出该子问题的解，并保存在其相应的记录项中。若记录项中存储的已不是初始化时存入的特殊值，则表示该子问题已被计算过，其相应的记录项中存储的是该子问题的解答。此时，只要从记录项中取出该子问题的解答即可。 3. 基本步骤 a 、找出最优解的性质，并刻画其结构特征。 b 、递归地定义最优值。 c 、以自底向上的方式计算出最优值。 d 、根据计算最优值时得到的信息构造一个最优解。（可省） 例1-1 [0/1背包问题] [问题描述] 用贪心算法不能保证求出最优解。在0/1背包问题中，需要对容量为c 的背包进行装载。从n 个物品中选取装入背包的物品，每件物品i 的重量为i w ，价 值为 i v 。对于可行的背包装载，背包中物品的总重量不能超过背包的容量，最佳 装载是指所装入的物品价值最高，即∑=n i i i x v 1 取得最大值。约束条件为 c x w n i i i ≤∑=1 ， {}() n i x i ≤≤∈11,0。 1、最大子段和问题的简单算法： 代码： #include for(m=0;m 实验3动态规划上机 [实验目的] 1．掌握动态规划的基本思想和效率分析方法； 2．掌握使用动态规划算法的基本步骤； 3．学会利用动态规划解决实际问题。 [实验要求] 按以下实验内容完成题目，并把编译、运行过程中出现的问题以及解决方法填入实验报告中，按时上交。 [实验学时] 2学时。 [实验内容] 一、实验内容 利用动态规划算法编程求解多段图问题，要求读入多段图，考虑多段图的排序方式，求源点到汇点的最小成本路径。并请对自己的程序进行复杂性分析。 二、算法描述 先输入点的个数和路径数以及每段路径的起点、长度、终点，再计算所有路径的值大小，比较输出后最小值。 三、源程序 #define N 2147483647 #include } array2[pointnum]=N; array3[pointnum]=N; for(i=0;i 湖州师范学院实验报告 课程名称：算法 实验二：动态规划方法及其应用 一、实验目的 1、掌握动态规划方法的基本思想和算法设计的基本步骤。 2、应用动态规划方法解决实际问题。 二、实验内容 1、问题描述 1 ）背包问题 给定 N 种物品和一个背包。物品 i 的重量是 C i ，价值为 W i ；背包的容量为 V。问应如何选择装入背包中的物品，使得装入背包中物品的总价值最大？在选择装入背包的物品，对每种物品只有两个选择：装入或不装入，且不能重复装入。输入数据的第一行分别为：背包的容量 V，物品的个数 N。接下来的 N 行表示 N 个物品的重量和价值。输出为最大的总价值。 2）矩阵连乘问题 给定 n 个矩阵：A1,A2,...,An，其中 Ai 与 Ai+1 是可乘的，i=1 ， 2... ， n-1。确定计算矩阵连乘积的计算次序，使得依此次序计算矩阵连乘积需要的数乘次数最少。输入数据为矩阵个数和每个矩阵规模，输出结果为计算矩阵连乘积的计算次序和最少数乘次数。 3 ）LCS问题 给定两个序列，求最长的公共子序列及其长度。输出为最长公共子序列及其长度。 2、数据输入：文件输入或键盘输入。 3、要求： 1）完成上述两个问题，时间为 2 次课。 2）独立完成实验及实验报告。 三、实验步骤 1、理解方法思想和问题要求。 2、采用编程语言实现题目要求。 3、上机输入和调试自己所写的程序。 4、附程序主要代码： (1) #include 算法第4-7章部分答案 第四章 第4题： 想法： 求两个正整数m和n的最小公倍数，由题目给出的提示可以知道，m和n的最小公倍数等于两个数的积除以它们的最大公约数。在第一张的事后要我们就已经用欧几里德算法求过两个数的最大公约数，所以对于题目4，我们就可以直接引用欧几里德算法辅助求最小公倍数。 算法： 输入：两个自然数m和n 输出：m和n的最小公倍数 1.r=m%n; 1.循环直到r=0 1.1m=n; 1.2n=r; 1.3r=m%n; 2.return n 3.调用2输出(m*n)/n 程序： #include { m = n; n = r; r = m % n; } return n; } 第6题： 想法： 首先要建立一个大根堆，然后实现删除操作，关键是如何实现删除操作，我的想法是将要删除的元素和建立的大根堆的最后一个元素交换，然后再调用建立大根堆的函数将前n-1个函数进行大根堆操作 算法： 输入：要删除的元素的下标 输出：删除后排序好的大根堆 1.构造一个大根堆堆顺序函数SiftHeap（） 2.构造一个大根堆函数初始建堆函数HeapSort（），调用函数SiftHeap（） 3.建立初始大根堆 4.输入要删除的元素的下标 5.将要删除的元素与最后一个一个元素交换 6.建立前n-1个元素的大根堆 程序： //想法：先将已知序列排列成一个大根堆，删除某个元素后，将最后一个元素赋值给删除节点，然后再进行堆排序（堆排序只是有序排序中的一部分） #include 实验四最大子段和问题 1.实验目的 （1）掌握动态规划的设计思想并能熟练运用； （2）理解这样一个观点：同样的问题可以用不同的方法解决，一个好的算法是反复努力和重新修正的结果； 2.实验要求 （1）分别用蛮力法、分治法和动态规划法设计最大子段和问题的算法； （2）比较不同算法的时间性能； （3）给出测试数据，写出程序文档； 3.实验设备和软件环境 操作系统：Windows 7（64x） 开发工具：Visual Studio 2013 4.实验步骤 以下实验数据都是以数组a[]={-2, 11, -4, 13, -5, -2}为例子； 蛮力法 蛮力法是首先通过两个for循环去求出所有子段的值，然后通过if语句查找出maxsum，返回子序列的最大子段和； 分治法 （1）划分：按照平衡子问题的原则，将序列（a1，a2，…，an）划分成长度相同的两个子序列（a1，a2，...，an/2）和（an/2+1,…,an）; （2）求解子问题：对与划分阶段的情况①和②可递归求解，情况③需要分别计算 s1=max{}(1<=i<=n/2),s2=max｛｝(n/2+1<=j<=n),则s1+s2为情况③的最大子段和。 （3）合并：比较在划分阶段三种情况下的最大子段和，取三者中比较大者为原问题的解。动态规划法划分子问题 (1)划分子问题； (2)确定动态规划函数； (3)填写表格； 分为两种情况： （1）、当b[j-1]>0时，b[j]=b[j-1]+a[j]。 （2）、当b[j-1]<0时，b[j]=a[j] 然后做递归操作求出最大子段和； 5.实验结果 蛮力法 #include动态规划算法实验
(数学建模教材)4第四章动态规划
算法分析与设计 实验三 最大子段和问题
动态规划算法原理与的应用
第四章 数学规划模型
最大子段和动态规划法
经典算法——动态规划教程
最大子序列和的总结
算法分析与设计实验二：动态规划法
常见动态规划算法问题策略分析
南京邮电大学算法设计实验报告——动态规划法
运筹学之动态规划(东南大学)汇总
动态规划算法举例分析
最大子段和三种求解方法
算法实验 动态规划上机
动态规划算法及其应用
算法设计第四章部分作业
最大子段和问题实验报告
相关主题
文本预览