动态规划具体概念+例题
- 格式:ppt
- 大小:365.00 KB
- 文档页数:40
动态规划的具体应用例题3.1 最长不降子序列(1)问题描述设有由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)例如3,18,7,14,10,12,23,41,16,24。
若存在i1<i2<i3< … < ie 且有a(i1)<a(i2)< … <a(ie)则称为长度为e的不下降序列。
如上例中3,18,23,24就是一个长度为4的不下降序列,同时也有3,7,10,12,16,24长度为6的不下降序列。
程序要求,当原数列给出之后,求出最长的不下降序列。
(2)算法分析根据动态规划的原理,由后往前进行搜索。
1· 对a(n)来说,由于它是最后一个数,所以当从a(n)开始查找时,只存在长度为1的不下降序列;2· 若从a(n-1)开始查找,则存在下面的两种可能性:①若a(n-1)<a(n)则存在长度为2的不下降序列a(n-1),a(n)。
②若a(n-1)>a(n)则存在长度为1的不下降序列a(n-1)或a(n)。
3· 一般若从a(i)开始,此时最长不下降序列应该按下列方法求出: 在a(i+1),a(i+2),…,a(n)中,找出一个比a(i)大的且最长的不下降序列,作为它的后继。
4.用数组b(i),c(i)分别记录点i到n的最长的不降子序列的长度和点i后继接点的编号(3) 程序如下:(逆推法)program li1;const maxn=100;var a,b,c:array[1..maxn] of integer;fname:string;f:text;n,i,j,max,p:integer;beginreadln(fname);assign(f,fname);reset(f);readln(f,n);+for i:=1 to n dobeginread(f,a[i]);b[n]:=1;c[n]:=0;end;for i:= n-1 downto 1 dobeginmax:=0;p:=0;for j:=i+1 to n doif (a[i]<a[j]) and (b[j]>max) then begin max:=b[j];p:=j end;if p<>0 then begin b[i]:=b[p]+1;c[i]:=p endend;max:=0;p:=0;for i:=1 to n doif b[i]>max then begin max:=b[i];p:=i end;writeln('maxlong=',max);write('result is:');while p<>0 dobegin write(a[p]:5);p:=c[p] end;end.3.2 背包问题背包问题有三种1.部分背包问题一个旅行者有一个最多能用m公斤的背包,现在有n种物品,它们的总重量分别是W1,W2,...,Wn,它们的总价值分别为C1,C2,...,Cn.求旅行者能获得最大总价值。
动态规划运筹学例题动态规划是运筹学中常用的一种优化技术,它利用规划、三角函数和其他数学技术来解决日常生活中的各种问题,比如最优路线问题、最优资源分配问题、最优出行路线问题等。
本文将通过一个例题,来介绍动态规划的基本思想,以及如何利用动态规划来解决问题。
例题一:已知一条路线,由A点到B点,有N个途经的节点,每个节点之间的距离已知。
求从A到B的最短路线。
按照动态规划的思想,首先将该问题分解为若干个子问题,并根据子问题的解来解决原问题,这种分解和解决问题的方式称为动态规划。
对于上面的问题,可以将其分解为N个子问题,分别是从A到第1个节点、从第1个节点到第2个节点、从第2个节点到第3个节点,以此类推,最后一个子问题是从第N-1个节点到B点的最短路程。
将上面的N个子问题中,从第i个节点到B点的最短路程记为d[i],由于从第i个节点到B点可能经过i+1、i+2、……、N-1节点,因此要找到d[i],只需要找到经过i+1、i+2、……、N-1节点的最短路程即可,即求d[i]=Min{d[i+1]+length[i][i+1],d[i+2]+length[i][i+2],…,d[N-1]+length[i][N-1]},其中length[i][j]是第i个节点到第j个节点的距离。
以上就是动态规划的解题步骤,它能将原问题分解成若干个子问题,并找到最优解。
对于本例来说,通过上述步骤,就可以得到从A 到B的最短路程。
这种分解和求解问题的方法是动态规划,可以用来解决许多类似的问题,如:1)最优路线问题;2)旅行推销员问题;3)硬币找零问题。
动态规划的一大特点是,他能很好地将问题分解为多个子问题,并能从子问题的解中求解出最优解。
总之,动态规划是一种很有用的优化技术,它可以有效解决各种运筹学问题。
它不仅可以帮助我们解决许多具体问题,而且还能使我们更好地理解问题及其解法。
动态规划例题动态规划是一种以最优化原理为基础的问题求解方法,通过拆分问题为若干阶段,每个阶段求解一个子问题,再逐步推导出整个问题的最优解。
例如,有一个背包能够承受一定的重量,现有一些物品,每个物品都有自己的重量和价值。
我们希望将物品放入背包中,使得背包的总价值最大。
这个问题可以用动态规划来解决。
首先,我们定义一个二维数组dp,其中dp[i][j]表示在前i个物品中,容量为j的背包中所能放入的物品的最大价值。
那么,对于每一个物品,可以选择放入背包或者不放入背包。
如果选择放入背包,最大价值为dp[i-1][j-w[i]] + v[i],其中w[i]表示第i个物品的重量,v[i]表示第i个物品的价值。
如果选择不放入背包,最大价值为dp[i-1][j]。
因此,dp[i][j]的状态转移方程为:dp[i][j] = max(dp[i-1][j-w[i]] + v[i], dp[i-1][j])。
基于这个状态转移方程,可以逐步求解从第1个物品到第n个物品的最大价值。
最终,dp[n][W]即为问题的最优解,其中W 表示背包的容量。
举个简单的例子,假设背包的容量为10,有3个物品,它们的重量分别为3、4、5,价值分别为4、5、6。
此时,可以得到如下的dp矩阵:0 0 0 0 0 0 0 0 0 0 00 0 0 4 4 4 4 4 4 4 40 0 0 4 5 5 9 9 9 9 90 0 0 4 5 5 9 10 10 14 14我们可以看到,dp[3][10]的最大价值为14,表示在前3个物品中,容量为10的背包中所能放入的物品的最大价值为14。
通过动态规划,我们可以有效地求解背包问题,得到物品放入背包的最优解。
这个例子只是动态规划的一个简单应用,实际上,动态规划可以解决各种复杂的问题,如最长公共子序列、最大子数组和、最大字段和等。
因此,学习动态规划是非常有意义的。
例1:机器负荷分配问题某公司新购进1000台机床,每台机床都可在高、低两种不同的负荷下进行生产,设在高负荷下生产的产量函数为g(x )=10x (单位:百件),其中x 为投入生产的机床数量,年完好率为a =0.7;在低负荷下生产的产量函数为h(y)=6y (单位:百件),其中y 为投人生产的机床数量,年完好率为b=0.9。
计划连续使用5年,试问每年如何安排机床在高、低负荷下的生产计划,使在五年内生产的产品总产量达到最高。
例2:某企业通过市场调查,估计今后四个时期市场对某种产品的需要量如下表:时期(k) 12 3 4 需要量(d k )2(单位)324假定不论在任何时期,生产每批产品的固定成本费为3(千元),若不生产,则为零;生产单位产品成本费为1(千元);每个时期生产能力所允许的最大生产批量为不超过6个单位,则任何时期生产x 个单位产品的成本费用为:若 0<x ≤6 , 则生产总成本=3十1·x 若 x =0 , 则生产总成本=0又设每个时期末未销售出去的产品,在一个时期内单位产品的库存费用为0.5(千元),同时还假定第1时期开始之初和在第4个时期之末,均无产品库存。
现在我们的问题是;在满足上述给定的条件下,该厂如何安排各个时期的生产与库存,使所花的总成本费用最低?例3:设某企业在第一年初购买一台新设备,该设备在五年内的年运行收益、年运行费用及更换新设备的净费用如下表:(单位:万元)年份(k) 役龄(t) 运行收益()k g t 运行费用()k r t 更新费用()k c t 第一年 0 22 6 18 第二年0 123 216 819 22第三年0122321185710192328第四年01232422191657101520243038第五年01234252320171446914202024303848试为该企业制定一个五年中的设备更新策略,使得企业在五年内总收益达到最大?例4:设有一辆栽重为10吨的卡车,用以装载三种货物,每种货物的单位重量及单件价值如表所示,问各种货物应装多少件,才能既不超过总重量又使总价值最大?货物 1 2 3单位重量 3 4 5单件价值 4 5 6。
动态规划典型案例解析及计算过程梳理动态规划(Dynamic Programming)是一种通过将问题分解为子问题来解决复杂问题的算法策略。
它通常用于优化问题,通过将问题的解决方案划分为相互重叠的子问题来降低计算复杂度。
下面将通过几个典型案例,详细解析动态规划的应用及其计算过程。
1. 斐波那契数列斐波那契数列是一种经典的动态规划问题。
它的定义是:F(n) =F(n-1) + F(n-2),其中F(0) = 0,F(1) = 1。
我们需要计算第n个斐波那契数。
通过动态规划的思想,可以将该问题划分为子问题,即计算第n-1和第n-2个斐波那契数。
可以使用一个数组来保存已经计算过的斐波那契数,避免重复计算。
具体的计算过程如下:1. 初始化一个长度为n+1的数组fib,将fib[0]设置为0,fib[1]设置为1。
2. 从i=2开始遍历到n,对于每个i,计算fib[i] = fib[i-1] + fib[i-2]。
3. 返回fib[n]作为结果。
通过上述过程,我们可以快速地得到第n个斐波那契数。
这个案例展示了动态规划的重要特性,即将问题分解为子问题进行求解,并利用已经计算过的结果来避免重复计算。
2. 背包问题背包问题是另一个常见的动态规划问题。
问题的定义是:有一组物品,每个物品有自己的重量和价值,在限定的背包容量下,如何选择物品使得背包中的总价值最大化。
通过动态规划的思想,背包问题可以被划分为子问题。
我们可以定义一个二维数组dp,其中dp[i][j]表示在前i个物品中,背包容量为j时的最大价值。
具体的计算过程如下:1. 初始化一个大小为n+1行,m+1列的二维数组dp,其中n为物品数量,m为背包容量。
将所有元素初始化为0。
2. 从i=1开始遍历到n,对于每个i,从j=1开始遍历到m,对于每个j,进行如下判断:- 若当前物品的重量大于背包容量j,则dp[i][j] = dp[i-1][j],即不选择当前物品;- 若当前物品的重量小于等于背包容量j,则dp[i][j] = max(dp[i-1][j], dp[i-1][j-wi] + vi),即选择当前物品或不选择当前物品所能获得的最大价值。
1、单调递增最长子序列描述求一个字符串的最长递增子序列的长度如:dabdbf最长递增子序列就是abdf,长度为4输入第一行一个整数0<n<20,表示有n个字符串要处理随后的n行,每行有一个字符串,该字符串的长度不会超过10000 输出输出字符串的最长递增子序列的长度样例输入3aaaababcabklmncdefg样例输出1372、最长公共子序列描述如题,需要写一个程序,得出最长公共子序列。
tip:最长公共子序列也称作最长公共子串(不要求连续),英文缩写为LCS(Longest Common Subsequence)。
其定义是,一个序列S ,如果分别是两个或多个已知序列的子序列,且是所有符合此条件序列中最长的,则S 称为已知序列的最长公共子序列。
输入第一行给出一个整数N(0<N<100)表示待测数据组数接下来每组数据两行,分别为待测的两组字符串。
每个字符串长度不大于1000.输出每组测试数据输出一个整数,表示最长公共子序列长度。
每组结果占一行。
样例输入2asdfadfsd123abcabc123abc样例输出363、括号匹配时间限制:1000 ms | 内存限制:65535 KB描述给你一个字符串,里面只包含"(",")","[","]"四种符号,请问你需要至少添加多少个括号才能使这些括号匹配起来。
如:[]是匹配的([])[]是匹配的((]是不匹配的([)]是不匹配的输入第一行输入一个正整数N,表示测试数据组数(N<=10)每组测试数据都只有一行,是一个字符串S,S中只包含以上所说的四种字符,S的长度不超过100输出对于每组测试数据都输出一个正整数,表示最少需要添加的括号的数量。
每组测试输出占一行样例输入4[]([])[]((]([)]样例输出324、完全背包描述直接说题意,完全背包定义有N种物品和一个容量为V的背包,每种物品都有无限件可用。
1、单调递增最长子序列描述求一个字符串的最长递增子序列的长度如:dabdbf最长递增子序列就是abdf,长度为4输入第一行一个整数0<n<20,表示有n个字符串要处理随后的n行,每行有一个字符串,该字符串的长度不会超过10000 输出输出字符串的最长递增子序列的长度样例输入3aaaababcabklmncdefg样例输出1372、最长公共子序列描述如题,需要写一个程序,得出最长公共子序列。
tip:最长公共子序列也称作最长公共子串(不要求连续),英文缩写为LCS(Longest Common Subsequence)。
其定义是,一个序列S ,如果分别是两个或多个已知序列的子序列,且是所有符合此条件序列中最长的,则S 称为已知序列的最长公共子序列。
输入第一行给出一个整数N(0<N<100)表示待测数据组数接下来每组数据两行,分别为待测的两组字符串。
每个字符串长度不大于1000.输出每组测试数据输出一个整数,表示最长公共子序列长度。
每组结果占一行。
样例输入2asdfadfsd123abcabc123abc样例输出363、括号匹配时间限制:1000 ms | 内存限制:65535 KB描述给你一个字符串,里面只包含"(",")","[","]"四种符号,请问你需要至少添加多少个括号才能使这些括号匹配起来。
如:[]是匹配的([])[]是匹配的((]是不匹配的([)]是不匹配的输入第一行输入一个正整数N,表示测试数据组数(N<=10)每组测试数据都只有一行,是一个字符串S,S中只包含以上所说的四种字符,S的长度不超过100输出对于每组测试数据都输出一个正整数,表示最少需要添加的括号的数量。
每组测试输出占一行样例输入4[]([])[]((]([)]样例输出324、完全背包描述直接说题意,完全背包定义有N种物品和一个容量为V的背包,每种物品都有无限件可用。
动态规划题目动态规划(Dynamic Programming)是一种常用的求解最优化问题的方法。
它的核心思想是,将问题拆解成若干个子问题,并保存子问题的解,以便后续计算。
通过利用子问题的解,逐步求得原问题的最优解。
一个典型的动态规划问题可以用一个简单的例子来说明。
假设有一段长度为n的绳子,我们希望将它切割成若干段,使得乘积最大。
例如,当n=8时,我们可以切割成长度为2、3和3的三段,此时乘积最大,为18。
这个问题可以用动态规划来解决。
首先,我们定义一个数组dp,其中dp[i]表示长度为i的绳子的乘积最大值。
显然,dp[0]=0,dp[1]=1,dp[2]=2,dp[3]=3。
然后,我们需要考虑长度大于3的情况。
对于长度为i的绳子,我们可以将其切割成两段,长度为j和i-j。
那么,长度为i的绳子的乘积最大值可以表示为dp[j]*dp[i-j]。
然后我们需要遍历所有可能的j的值,找出其中的最大值,作为dp[i]的值。
具体的计算过程如下所示:for i from 4 to n:for j from 1 to i/2:dp[i] = max(dp[i], dp[j]*dp[i-j])最后,返回dp[n]即为所求的最大乘积。
动态规划的核心思想就是将问题拆解成子问题,并保存子问题的解,以便后续计算。
在上述例子中,我们将长度为n的绳子切割成长度为j和i-j的两段,然后计算乘积最大值。
这里的子问题是求解长度为j和长度为i-j的绳子的乘积最大值,因此可以利用dp数组保存子问题的解。
动态规划的时间复杂度和空间复杂度由问题的规模决定。
在上述例子中,我们需要计算长度为n的绳子的最大乘积,需要进行两层循环遍历,因此时间复杂度为O(n^2)。
空间复杂度则由dp数组决定,为O(n)。
动态规划是一种非常常见且有效的求解最优化问题的方法。
通过将问题拆解成若干个子问题,并保存子问题的解,可以大大优化问题的求解过程。
在实际应用中,我们可以通过改变子问题的定义和状态转移方程,来解决不同的问题。
动态规划算法详解及经典例题⼀、基本概念(1)⼀种使⽤多阶段决策过程最优的通⽤⽅法。
(2)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。
假设问题是由交叠的⼦问题所构成,我们就能够⽤动态规划技术来解决它。
⼀般来说,这种⼦问题出⾃对给定问题求解的递推关系中,这个递推关系包括了同样问题的更⼩⼦问题的解。
动态规划法建议,与其对交叠⼦问题⼀次重新的求解,不如把每⼀个较⼩⼦问题仅仅求解⼀次并把结果记录在表中(动态规划也是空间换时间的)。
这样就能够从表中得到原始问题的解。
(3)动态规划经常常使⽤于解决最优化问题,这些问题多表现为多阶段决策。
关于多阶段决策:在实际中,⼈们经常遇到这样⼀类决策问题,即因为过程的特殊性,能够将决策的全过程根据时间或空间划分若⼲个联系的阶段。
⽽在各阶段中。
⼈们都须要作出⽅案的选择。
我们称之为决策。
⽽且当⼀个阶段的决策之后,经常影响到下⼀个阶段的决策,从⽽影响整个过程的活动。
这样,各个阶段所确定的决策就构成⼀个决策序列,常称之为策略。
因为各个阶段可供选择的决策往往不⽌⼀个。
因⽽就可能有很多决策以供选择,这些可供选择的策略构成⼀个集合,我们称之为同意策略集合(简称策略集合)。
每⼀个策略都对应地确定⼀种活动的效果。
我们假定这个效果能够⽤数量来衡量。
因为不同的策略经常导致不同的效果,因此,怎样在同意策略集合中选择⼀个策略,使其在预定的标准下达到最好的效果。
经常是⼈们所关⼼的问题。
我们称这种策略为最优策略,这类问题就称为多阶段决策问题。
(4)多阶段决策问题举例:机器负荷分配问题某种机器能够在⾼低两种不同的负荷下进⾏⽣产。
在⾼负荷下⽣产时。
产品的年产量g和投⼊⽣产的机器数量x的关系为g=g(x),这时的年完善率为a,即假设年初完善机器数为x,到年终时完善的机器数为a*x(0<a<1);在低负荷下⽣产时,产品的年产量h和投⼊⽣产的机器数量y的关系为h=h(y)。
动态规划算法详解及经典例题动态规划什么是动态规划?动态规划的⼤致思路是把⼀个复杂的问题转化成⼀个分阶段逐步递推的过程,从简单的初始状态⼀步⼀步递推,最终得到复杂问题的最优解。
基本思想与策略编辑: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。
1. 拆分问题:根据问题的可能性把问题划分成通过递推或者递归⼀步⼀步实现。
关键就是这个步骤,动态规划有⼀类问题就是从后往前推到,有时候我们很容易知道 : 如果只有⼀种情况时,最佳的选择应该怎么做.然后根据这个最佳选择往前⼀步推导,得到前⼀步的最佳选择 2. 定义问题状态和状态之间的关系:⽤⼀种量化的形式表现出来,类似于⾼中学的推导公式,因为这种式⼦很容易⽤程序写出来,也可以说对程序⽐较亲和(也就是最后所说的状态转移⽅程式) 3. 动态规划算法的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。
我的理解是:⽐如我们找到最优解,我们应该讲最优解保存下来,为了往前推导时能够使⽤前⼀步的最优解,在这个过程中难免有⼀些相⽐于最优解差的解,此时我们应该放弃,只保存最优解,这样我们每⼀次都把最优解保存了下来,⼤⼤降低了时间复杂度。
动态规划解决问题的过程分为两步:1.寻找状态转移⽅程式2.利⽤状态转移⽅程式⾃底向上求解问题动态规划原理使⽤条件:可分为多个相关⼦问题,⼦问题的解被重复使⽤使⽤条件:可分为多个相关⼦问题,⼦问题的解被重复使⽤Optimal substructure(优化⼦结构):⼀个问题的优化解包含了⼦问题的优化解缩⼩⼦问题集合,只需那些优化问题中包含的⼦问题,降低实现复杂性我们可以⾃下⽽上的Subteties(重叠⼦问题):在问题的求解过程中,很多⼦问题的解将被多次使⽤。
1、生产库存问题例 某厂在年末估计,下年4个季度市场对该厂某产品的需求量均为d k =3 (k =1,2,3,4),该厂每季度生产此产品的能力为b k =5 (k =1,2,3,4,)。
每季度生产这种产品的固定成本为F=13(不生产时为0),每一产品的单位变动成本为C=2。
本季度产品如不能售出,则需发生库存费用g =1/件,仓库能贮存产品的最大数量E k =4。
试问如何安排4个季度的生产,以保证在满足市场需求的前提下,使生产和库存总量用最小?解:首先分析一下这类问题。
设x k —第k 季度的计划生产量,s k —第k 季度初的库存,⎩⎨⎧=>=0,00,1k k k x x y ,可以得到数学模型:⎪⎪⎪⎪⎪⎩⎪⎪⎪⎪⎪⎨⎧==≥≤≤⨯≤-+=+++=+∑4,3,2,110,0,45)43(3..213min1411k or y s x s x y x x s s t s s x y k k k k k kk k k k k k k k 。
显然,这个问题是一个混合整数规划。
但由于这类问题可以按时间先后顺序分成四个阶段,故可用动态规划方法求解。
(1) 将每个季度看作一个阶段,就有一个四阶段的决策问题。
(2)S k --第k 季度初的仓库库存量,在问题中,s 1=s 5=0, 30=≤≤E s k ,k =2,3,4。
(3) x k --第k 季度的生产函数。
(4)(5) ),(k k k x s W =第k 季度的生产贮存量(上个阶段的未出售的量放在当阶段计算库 存费) ⎩⎨⎧>-+++=-=0)(0)(k k k k k k k k k x d x s g Cx F x d s g W(6)f k (s k )=第k 季度初库存量为s k 的条件下,为保证市场需求,从第三者k 季度至年末生产和贮存这种产品的最小费用。
(7)kk k k k k k k k s d E x s d E d x s s -+≤≤-⇒≤-+=≤+10 (1)又 k k b x ≤≤0 (2)s k +1=s k +x k -d k ,k =4,3,2,1又 NN N N N N N N k k k k k k k k d x s s d x s s d x s s d x s s -+=-+=-+=-+=+---+++++111111121 加得kk Nk i i N k i i N ki Nki i i k N x s d x d x s s ≥-=⇒=-+=∑∑∑∑====+01 (3)由(1),(2),(3)得知∑=--+≤≤-Nki k i k k k k k k s d s d E b x s d ),,min(),0max(于是有{}5,4,3,2)(11=s D下面依次从第4阶段开始进行计算。
1.某企业生产某种产品,每月月初按定货单发货,生产得产品随时入库,由于空间限制,仓库最多能够贮存产品90000件。
在上半年(1至6月)其生产成本(万元/千件)和产6个月的生产量使既能满足各月的订单需求同时生产成本最低?参考解答:(1) 首先建模描述为动态规划问题●阶段k:月份,k=1,2, (7)●状态变量x k:第k个月初(发货以前)的库存量;●决策变量d k:第k个月的生产量;●状态转移方程:x k+1=x k-R k+d k;●决策允许集合:D k(x k)={d k| d k≥0, R k+1≤x k+1≤90千件}={d k | d k≥0, R k+1≤x k-R k+d k≤ 90千件};●阶段指标:v k(x k,d k)=C k d k;●终端条件:f7(x7)=0, x7=40;(2) 计算过程:对于k = 6因为x7 =40,x6 - r6 + d6 = x7 = 40因此d6 = x7+r6-x6 = 40 +44 - x6 = 84 - x6是唯一的决策,于是递推方程为:f6(x6) = min { c6d6+f7(x7) }d6=84 - x6=2.5 d6=2.5 (84 - x6)=210 – 2.5x6注意:由于d6 =84 - x6 ≥ 0,故x6 ≤ 84;对于k = 5:d5∈D5(x5) ={d5| d5≥0, 111-x5≤d5≤(84+67)151 - x5} (x5 ≤ 90)f5(x5) = min { c5d5 + f6(x6) }= min { 2.0d5+210 – 2.5 x6 }= min { 2.0d5+210 – 2.5 (x5-67+d5) }= min { -0.5d5 - 2.5 x5 + 377.5 } d5*= 151 - x5= -0.5(151 - x5) – 2.5 x5+377.5= 302 -2.0x5对于k=4:d4∈D4(x4) = {d4| d4≥0, 99 - x4≤d4 ≤122 - x4 }f4(x4) = min { c4d4+f5(x5) }= min { 2.7d4 + 302 - 2.0x5 }= min { 2.7d4 + 302 -2.0(x4-32+d4)}= min { 0.7d4 – 2.0x4 + 366 } d4= 99 - x4 (x4 ≤ 90)= 435.3 - 2.7x4对于k=3:d3∈D3(x3) = {d3| d3≥0, 82-x3≤d3≤140 - x3 }f3(x3) = min {c3d3+f4(x4)}= min {2.3d3+435.3 – 2.7 (x3-50+d3)}= min { -0.4d3 – 2.7x3 + 570.3 } d3*=140 - x3= 514.3 - 2.3 x3对于k=2:d2∈D2(x2) = {d2| d2≥0,113 - x2≤d2≤153 - x2}f2(x2) = min { c2d2 + f3(x3) }= min {2.8d2+514.3 - 2.3 (x2-63+d2)}= min { 0.5d2 – 2.3x2 + 659.2 } d2* = 113-x2= 715.7 – 2.8x2对于k=1:d1∈D1(x1) = {d1|d1≥0,98 - x1≤d1≤125 - x1} = { d1| 58 ≤d1 ≤ 85 } f1(x1) = min {c1d1+f2(x2)}= min { 2.1d1+715.7 – 2.8 (x1-35+d1)}= min {-0.7d1 – 2.8x1+813.7} d1 = 85,x1=40= 642.2(3) 最优解:x1 = 40, d1 = 85, x2 = 90, d2 = 23, x3 = 50, d3 = 90;x4 = 90, d4 = 9, x5 = 67, d5 = 84, x6 = 84, d6 = 02.有一种设备最长使用3年时间,现考虑它在3年的更新问题,在每年年初要作出决策是继续使用还是更新。
动态规划运筹学例题动态规划(DynamicProgramming)是运筹学中一种基于分析多阶段决策过程的重要算法。
它主要指用于多步决策的最优化方法,是在一定时期内,为了达到目标,从多种可能的决策中选择最优方案的过程。
它的最大特点就是将一个较大的复杂的问题分解成若干个小的子问题,将解决这些子问题的过程和结果组合起来,从而解决原问题。
下面以最常见的“背包问题”为例,来深入讲解动态规划的基本原理。
假设有一个背包,背包容量为5KG,要放入这个背包中的有:物品A(重量3kg,价值2),物品B(重量2kg,价值3),物品C(重量1kg,价值4)。
问:最多能放入背包中的最大价值是多少?动态规划会将这个问题分解成两个子问题,即:当第一个物品放入背包时,最多能放入背包中的最大价值是多少?当第二个物品放入背包时,最多能放入背包中的最大价值是多少?通过上面划分出来的2个子问题,我们就可以用动态规划来解决这个问题。
首先,定义f(i,w)表示前i个物品放入背包中,总重量不超过w的最大价值,即:f(i,w)=max{f(i-1,w),f(i-1,w-wi)+vi}其中,f(i-1,w)表示前i-1个物品放入背包中,总重量不超过w的最大价值,f(i-1,w-wi)+vi表示前i-1个物品放入背包中,总重量不超过w-wi的最大价值,再加上第i个物品的价值vi。
下面我们来解决上面所说的背包问题:对于第一个物品A,有两种情况,第一种情况:不放入背包,则背包中的最大价值f(1,5)=0;第二种情况:将物品A放入背包,则背包中最大价值f(1,2)=2。
由于5>2,所以f(1,5)=2。
第二个物品B,有两种情况,第一种情况:不放入背包,f(2,5)=2;第二种情况:将物品B放入背包,则背包中最大价值f(2,3)=2+3=5。
由于5>3,所以f(2,5)=5。
同理,有第三个物品C,有两种情况,第一种情况:不放入背包,f(3,5)=5;第二种情况:将物品C放入背包,则背包中最大价值f(3,4)=5+4=9。