第三章动态规划算法1PPT

算法设计与分析 2
不同计算顺序的数量
设n个矩阵的连乘积有P(n)个不同的计算顺序。 由此可得出关于 先在第k个和第k+1 P(n) 个矩阵之间将原矩阵序列 的递归式： 分成两个矩阵子序列， k=1，…， n；再分别 1 n= 1 n–1 P(n) = 对两个子序列完全加括号，最后对结果加括 ∑P(k) P(n–k) n＞1 k=1 号，便得到原序列的一种完全加括号方式。 解此递归方程可得P(n) = C(n–1)，其中 1 2n n/n3/2) C(n) = n+1 = Ω(4 n 所以P(n)随n的增长呈指数增长。因而穷举搜 索法不是有效的算法。
算法设计与分析 4源自立递归关系令m[i][j] , 1≤i, j≤n，为计算A[i, j] 的最少数乘 次数，则原问题为m[1][n]。 当i = j时，A[i, j]为单一矩阵， m[i][j] = 0； 当i＜j时，利用最优子结构性质有： m[i][j] = min{m[i][k] + m[k+1][j] + pi–1pkpj}
3 3
s[i][j]
3 5 4
5
算法设计与分析
11
MatrixChain的时间复杂性
算法MatrixChain的主要计算取决于程序 中对r、i和k的三重循环。循环体内的计 算量为O(1)，1≤ r、i、k≤n，三重循环的 总次数为O(n3)。因此该算法时间复杂性 的上界为O(n3)，比直接递归算法要有效 得多。算法使用空间显然为O(n2)。 这种算法称为动态规划。

算法设计与分析 8
自底向上的计算

例如对于A1A2A3A4，依据递归式以自底向上的 方式计算出各个子问题，其过程如下：
其中 m[1][3] = 例如： m[1][1]+m[2][3]+p0p1p3 m[i][j] = mini≤k＜j min m[1][3] m[2][4] m[1][2]+m[3][3]+p p2p3 {m[i][k]+m[k+1][j]+pi0–1p kp j }
算法设计与分析 14

动态规划的基本方法





动态规划通常可以按以下几个步骤进行： (1)找出最优解的性质，并刻画其结构特征； (2)递归地定义最优值； (3)以自底向上的方式计算出各子结构的最优值 并添入表格中保存； (4)根据计算最优值时得到的信息，构造最优解。 步骤1~3是动态规划算法的基本步骤。若需要 最优解，则必须执行第4步，为此还需要在第3 步中记录构造最优解所必需的信息。

i≤k＜j
其中矩阵Ai ，1≤i≤n，的维数为pi–1×pi。 根据此递归式就可以直接用递归程序来实现。
算法设计与分析
5
直接递归的时间复杂性

根据前面的递归式不难得出的时间复杂性为 T(n) ≥ 1 + ∑(T(k) + T(n–k) + 1)
k=1 n–1 n–1
= 1 + (n – 1) +∑(T(k) + T(n–k))

算法设计与分析 3
分解最优解的结构
将矩阵连乘积AiAi+1…Aj记为A[i: j]。 若A[1: n] 的一个最优解是在矩阵Ak和Ak+1处 断开的，即A[1: n] = (A[1: k] A[k+1: n])，则 A[1: k]和A[k+1: n]也分别是最优解。 事实上，若A[1: k]的一个计算次序所需计算量 更少的话，则用此计算次序替换原来的次序， 则得到A[1: n]一个更少的计算量，这是一个矛 盾。同理A[k+1: n]也是最优解。 最优子结构性质：最优解的子结构也最优的。

算法设计与分析
1
不同计算顺序的差别

设矩阵A1, A2和A3分别为10×100, 100×5和 5×50的矩阵，现要计算A1A2A3 。 若按((A1A2)A3)来计算，则需要的数乘次数为 10×100×5 + 10×5×50 = 7500 若按(A1(A2 A3))来计算，则需要的数乘次数为 100 ×5 ×50+ 10×100×50 = 75000 后一种计算顺序的计算量竟是前者的10倍！ 所以，求多个矩阵的连乘积时，计算的结合 顺序是十分重要的。
1: 4
图中红框标出的 都是重复计算。
3: 4
1: 2 1: 1 2: 4 1:1 2: 3 2: 2 4: 4 3: 3 2: 2
3: 3
4: 4 1: 1 2: 2 2: 3 3: 3
1: 3
4: 4
2: 2 3: 3
3: 4 4: 4
1: 2 1: 1
3: 3 2: 2
7
算法设计与分析
消除重复的计算
}}}
int t = m[i][k] + m[k+1][j] + p[i–1]*p[k]*p[j]; //对i<k<j, 逐个计算A[i, j] = A[i: k] A[k+1: j] if (t < m[i][j]) {m[i][j] = t; s[i][j] = k;} //记下较小的m[i][j]及相应的断点k
= n +∑T(k) + ∑T(n–k)
n –1 k=1 n –1 k=1 k=1 n–1
= n + 2∑T(k)
k=1

可用数学归纳法证明T(n)≥2n–1 = Ω(2n)。 直接递归算法的时间复杂性随n的指数增长。
算法设计与分析 6
直接递归中有大量重复计算

直接递归中有大量重复计算，如A[1: 4]计算中：
算法设计与分析
10
MatrixChain的运行举例
MatrixChain 用矩阵 m[i][j], s[i][j] 存放子问题 A[i: j] 当 r=2 ，执行第 (5) 句完成了相邻矩阵 –1]*p[i]*p[j] 设要计算矩阵连乘积 A4A[i][i+1]=p[i A MatrixChain 当 r=3 i=1 时，执行第 (5) 句计算 A[1:1][2:3] A[2:2][3:4] ， m[1][3] = 当 r=3 ， i=3 时，执行第 (5) 句计算 A[3:3][4:5] ， m[3][5] = 1A2A 3 5A 6，其维数分别 执行 for (int i 将如下面红色箭头所示的过程逐个计算 = 1; i <= n; i++) m[i][i] = 0后将对角线元素全 类似的，当 r=4 、 5 、 6时，可以计算出相应的 m[i][j] 及其相 由 m[1][6]=15125 可知这 6A 个矩阵连乘积的最小运算次数为 当 r=3， ，i=2 i=4 时，执行第 (5) 句计算 A[4:4][5:6] ，m[2][4] m[4][6] = 的计算，并在 s[i][j] 中添入了相应的断点。其中的第 (7) 句因 的最小计算量以及相应的断点。 m[2][3] m[3][4] + p[0]*p[1]*p[3] p[1]*p[2]*p[4] = 2625 750 +35*15*10 +30*35*5 = 7875 6000 m[4][5] + p[2]*p[3]*p[5] = 1000 +15*5*20 = 2500 为 35 × 35, 35 × 15, 15 × 5, 5 × 10, 10 × 20, 20 × 25, 子问题 A[i: j] ： 部置零，即子问题 A[i][i] = 0 。 应的断点 s[i][j] ，如下图中所示： 15125 。由 s[1][6] = 3 可知 A[1: 6] 的最优计算次序为 A[1: 3] m[5][6] + p[3]*p[4]*p[6] = 5000 +5*10*25 = 6250 为 jp =6] i+1(k=i+1) 而被跳过去了，实际并没有执行。 执行第 (7) 句计算 A[2:3][4:4] ， tt = 即 =35, p =35, p可知 p p =20, pA[1: =25 。 A[4: ；由 s[1][3]=1 A[1: 3] 的最优计算次序为 1] 执行第 (7) 句计算 A[3:4][5:5] ， = m[3][4]+m[5][5]+ A[4:5][6:6] m[4][5]+m[6][6]+ 0 (7)句计算 1 2=15, 3=5, 4=10, p 6+ 执行第 A[1:2][3:3] ， t = m[2][3]+m[4][4]+ m[1][2] +5m[3][3] p[1]*p[3]*p[4] = 2625+0+35*5*10 = 4375 ＜ 6000 ，所以 A[2: 3]；由s[4][6]=5 可知A[4: 6]的最优计算次序为 A[4: 5] p[2]*p[4]*p[5] =15750+0+35*15*5 750+0+15*10*20 = 3750 ＞ 2500 ，所以 p[3]*p[5]*p[6] 1000+0+5*20*25 3500 ＜ 6250 p[0]*p[2]*p[3] = = 18375 ＞ 7875 ，所以 m[2][4] 改为 A[6: 6]；因此最优计算次序为： m[3][5] 仍为 2500 ，断点仍为 3 。 (A1(A2A3))((A4A5)A6)。 m[4][6] 改为4375 3500，断点改为 ，断点改为 5。 m[1][3] 不变，断点仍为 1。 3

算法设计与分析 13
动态规划的基本要素

最优子结构：问题的最优解是由其子问题的最 优解所构成的。 最优子结构性质使我们能够以自底向上的方式 递归地从子结构的最优解构造出问题的最优解。 重叠子问题：子问题之间并非相互独立的，而 是彼此有重叠的。 因为子问题重叠，所以存在着重复计算。这样 就可以用填表保存子问题解的方法来提高效率。