动态规划 例子与复杂度

动态规划的基本思路：动态规划使用分而治之的策略，但是具有针对性。此种策略由理查德.贝尔曼（Richard E. Bellman）于1957年在dynamic programming一书中提出。同年Bellman和Lester Ford一起设计了图论中最短路径的Bellman-Ford算法。

动态规划和贪心算法的区别：

http://blog.csdn.net/penzo/article/details/6001314

http://hi.baidu.com/abcdcamey/item/0d1d6746c9ef4616896d10ac

http://www.360doc.com/content/11/0522/11/6173582_118519858.shtml

动态规划的特点：1 分析一个最有解决方案应该具备的结构（能否使用动态规划策略）；2递归定义最有解决方案（状态转移方程）；3 由底至上构建一个最优解决方案（备忘录构建）

动态规划的几个例子：

补充（以下例子全是基于备忘录的动态规划）

流水装配线问题：问题描述：产品从“出发”到“到达”要经过流水线，经过n个步骤，每个步骤可以有两种选择：S_1,i 和S_2,i;图1中C_i,j X_i,j是花销；要求产品总花销最少。（扩展为和图论算法最短路径的关系）

最基本的想法：类似于组合数学上过程相乘的问题，每一个相乘的元素有2中状态，所以生产的路径数一共有2ⁿ种，程序复杂度为指数时间复杂度，空间复杂度为n。实际操作中会发现，当固定k种处理组合方式，计算其他步骤取不同值时，相同处理方式的花销组合会重复计算。

动态规划方法：一个问题是 假如整体最优解通过S1,j状态，那么从出发点到S1,j和S1,j到到达点两段路径是不是也是最优解（最短路径）？可以使用反证法证明：两段路径也是最优解。这样的话我们就可以把大问题分解为子问题。在分解的时候我们从出发点开始累计计算最优花销，也可以从到达点开始计算最优花销，这里我们采用前者，这样符合直观顺序。考虑其中的状态转移过程，当进入S1,j状态时，要么从S1,j-1要么从S2,j-1流入。那么到达S1,j时的处理花销C(S1,j)=C(S1,j-1)+C1,j-1 或者C(S1,j)=C(S2,j-1)+C2,j-1 +X2,j-1，最优解时取两者中的最小值。下面来推算下时间复杂度。

如果不适用备忘录来保存状态信息，来分析状态转移方程的递归树。假设n=3,有如下递归树：

 可以看出递归树仍然是指数级。然而可以发现图中有较多的重叠计算子问题，所以以下所有算法均保存了各个状态信息，从而减少时间复杂度。

我们要计算所有的状态集，即{Si,j}一共2n个，在计算每个状态集中的元素时，我们至少需要计算四次加法和一次比较运算，至多也是常数次运算，所以整体的时间复杂度为O(2n*5)=O(n),线性算法。在计算到到达点时也就获取了最优路径。空间复杂度，我们要记录每个状态所对应的花销，以及最优路径，所以一共需要2n+n个单位空间（其实在计算到第j+1个步骤时，前面j-1个状态花销空间可以释放掉，这可以作为一个优化技巧）。

如何理解状态转移方程的表达式和时间复杂度的关系？程序基本上可以基于状态转移方程写出来：1 初始化所有的Si,j为最大值；2执行状态转移方程，如下伪代码所示。其中r1(j) r2(j)是记录上一步的位置，用于输出最优路径。

for(int j=0;j<=n;++k)
{
　　if (C(S1,j-1)+C1,j-1>C(S2,j-1)+C2,j-1 +X2,j-1)
　　{
　　　　C(S1,j)=C(S2,j-1)+C2,j-1 +X2,j-1;
　　　　r1(j)=2;

　　}

　　if (C(S2,j-1)+C2,j-1>C(S1,j-1)+C1,j-1 +X1,j-1)
　　{
　　　　C(S2,j)=C(S1,j-1)+C1,j-1 +X1,j-1;
　　　　r2(j)=1;

　　}

 }

最长公共子序列（Longest common subsequence problem）：一个数列 ，如果分别是两个或多个已知数列的子序列，且是所有符合此条件序列中最长的，则  称为已知序列的最长公共子序列。

普通算法：假设序列1有m个元素，序列2有n个元素，第一个序列的子序列有2^m种，当将其中一个子序列和序列2比对时，时间复杂度为O(n),所以整个算法的时间复杂度为O(n2^m),空间复杂度为O(m)

动态规划算法：首先验证是否有最有子结构；这个第一眼还是需要gut的，然后才会认真分析具体过程，在寻找状态转移方程时最困难的是寻找变量，确定状态集。上个例子中选取的变量是步骤数和流水线编号，而该问题中涉及到两个对象（序列），不妨猜测需要建立两个变量i,j，只是目前还不清楚这两个变量到底是什么含义。思考问题从最基本的状态变化开始，并从上例中递增变量的变化得到启发，我们设i为序列1前缀，j为序列2前缀。那么两个前缀的LCS c[i,j]是不是整体LCS c[m,n]的一个最有子结构呢？同样适用反证法可以证明是的。那么状态转移方程为：

公式具体含义省略，因为介绍LCS的文章很多。下面分析其复杂度。当从c[1,1]开始构建c[i,j]时，一共最多有mn个状态，而在计算每个状态的LCS时，需要进行常数次运算（2次比较，一次相加），所以时间复杂度为o(3mn)=O(mn),空间上需要保持每个状态的LCS，所以需要O(mmn），如果单纯计算长度，则是O(mn).

这里再探索几个问题：实际上LCS问题和装配线问题都是在两个对象上变化，区别在装配线的步骤只能进行一次，而LCS问题在每个字符处都要与另一个序列的字符进行比较，所以时间复杂度上 前者是 加（n+n）, 而后者是 乘 （mn）. 另外为什么状态转移方程的变化是增1减1，而不是增2减2？我曾幻想着能够增减一半长度（听上去肯定是无稽之谈了，不过思考无边界，想象无极限，懒惰造英雄 哈哈），其实有些结论是和具体问题相关的，如果问题中的条件限制了或暗含着每次变化是转移两步，那么状态转移方程就会增减2了。我试图寻找和制造出一个增减大于1步的优秀例子，不过目前还没想好 。

 

最优二叉搜索树（Optimal Binary Search Tree）：

二叉查找树（Binary Search Tree），或者是一棵空树，或者是具有下列性质的二叉树：

1. 若它的左子树不空，则左子树上所有结点的值均小于它的根结点的值；
2. 若它的右子树不空，则右子树上所有结点的值均大于它的根结点的值；
3. 它的左、右子树也分别为二叉排序树。 

而最优表现为搜索成本最低的二叉查找树。给定键值序列{k1,...,ki,...,kn}，其中键值ki被搜索的概率为pi，则搜索期望成本最低。

普通算法：穷举每一种二叉搜索树，我们来计算对于n个键值，所对应的二叉搜索树的种类，由卡特兰数可知，n个元素所构成的二叉搜索树种类有 (h(n)=b_n)右图来自算法导论12.4思考题及答案。

可以看出使用普通算法需要指数级的时间复杂度，空间复杂度为O(n)。

动态规划算法：仔细分析BST，如果BST是最优的，那么其子树也是一个最优BST，所以满足最优子结构条件，一个子树会包括ki~kj个键值，所以一个子问题是计算子树的查找花销状态e[i,j]。e[i,j]如果选取kr作为树根，会有最优左子树e[i-1,r]和最优优子树e[r+1,j]，则最优子问题的基础是一步步的计算状态e[i,j]，从e[1,2],e[2,3]到e[1,3],e[2,4]到。。。到e[1,n]。在状态转移方程中，一共有n²个状态，在计算每个状态的花销时，需要进行（j-i）次计算，用于寻找根节点，所以时间复杂度为O(n*n*(j-i))=O(n³).程序设计中最外层循环是状态中i与j的差，接着两层循环分别对i和j遍历。空间复杂度：至少需要保存每个状态的花销O(n*n),还需要保存每个状态的根节点，最多O(n),所以空间复杂度为O(n*n)。

这里有几个问题：1 算法之道上说随机构造BST（十分接近最优BST），需要O(nlogn)时间复杂度，？

2考虑k叉树，也满足最优子结构条件，区别在于状态转移方程中，需要找出2个根节点r1,r2，那么时间复杂度就变成了O(n*n*(j-i-r1)*(r1))=O(n⁴),仍然是多项式的时间复杂度。

矩阵连乘：问题定义：

给定n个矩阵{A₁,A₂,…,A_n}，其中A_i与A_i+1是可乘的，i=1,2,…,n-1。考察这n个矩阵的连乘积A₁A₂…A_n。由于矩阵乘法满足结合律，故计算矩阵的连乘积可以有许多不同的计算次序，这种计算次序可以用加括号的方式来确定。若一个矩阵连乘积的计算次序完全确定，则可以依此次序反复调用2个矩阵相乘的标准算法（有改进的方法，这里不考虑）计算出矩阵连乘积。若A是一个p×q矩阵，B是一个q×r矩阵，则计算其乘积C=AB的标准算法中，需要进行pqr次数乘。矩阵连乘积的计算次序不同，计算量也不同。如果对矩阵加括号，等价于修改了计算次序，所以最优的计算顺序就是最优的加括号方式，最优的一维数组分割，这又有点像是最优BST了。

普通算法：计算所有的计算次序，那么一个n个序列一共有多少个计算顺序呢？不妨转化为加括号的方法数，这样又用到了卡特兰数，参见上个链接，即使不清楚具体多少种，也可以确定是指数级。

动态规划算法：首先检验是否满足最优子结构？满足。 基本状态是m[i,j]，即计算Ai~Aj的花销。状态转移方程是m[i][j]=m[i][k]+m[k+1][j]+pipk+1pj+1_^，其中k取j-i个值。状态数有O(n*n）个，对于每一个状态，需要计算j-i次，所以整体的时间复杂度是O(n³)。空间复杂度为O(n²)。

这里的几个问题：

1  单纯看状态转移方程，类似于在一维数组上的最优化，和最优BST很相似：一维数组，而且数据顺序都不能交换（矩阵无交换性，查找树数据放置有特定顺序）。

邮局选址：有一条公路经过Ｖ个村庄，每一个村庄都处在整数的坐标点上（这里假设公路拉直为Ｘ轴）．规划在这条公路上建立Ｐ个邮局，当然为了方便，这些邮局应建在某Ｐ个村庄上，但是要求让不同村庄的人到邮局要走的总路程最小。

普通算法：建立邮局的种类：从V个村庄挑出p个村庄，然后计算路径，选择最短路径C^pv。计算路径的时间复杂度为v*p

动态规划算法：乍一看很难看出来具有最优子结构性质。问题中有两个变量：村庄数，邮局数，固定村庄数，依次递增邮局数，貌似没办法从中发现最优子结构，当把邮局数从1增加到2时，难以找出其中的状态转移法则；固定邮局数，递增村庄数，当增加一个村庄时，可能由于村庄位置距离已有村庄超级远，所以会改动之前的邮局位置，所以不具有最优子结构；现在变化两个变量，m[i,j]表示在前i个村庄建立j个邮局的最短路径，产生于在前k个村庄建立j-1个邮局的最短路径m[k,j-1]和在k+1到i个村庄之间建立1个邮局的最短路径w[k+1,i]，即在前i个村庄找到一个划分k，使得K个村庄之后的村庄使用新建的邮局。下面来说明最优子结构m[k,j-1]性质。倘若m[k,j-1]不是最短路径，因为此处的k是取最小值的选择，则m[i,j]不是最短路径。一共有v*p个状态，状态转移方程中，为找到k,需要进行i次划分，所以时间复杂度为O(v*p*i)=O(v³)次路径计算次数。每次路径计算复杂度为v*p。空间复杂度：一共有v*p个状态最优路径值保存，每个状态记录最后面的一次划分，所以空间复杂度为O(v*p）

这里的几个问题：

和前两个例子类似，都属于区域划分问题。

SGU-167 I-country:其他博客

这个好奇葩，状态数O(n⁵)，在每个状态里，计算最佳边界O（n²），时间复杂度O(n⁷)

我试图把图论算法中的动态规划算法也写到这一篇中，但是发现内容太多了。关于动态规划就这样把，很多东西需要在对比中发现本质。图论算法另外总结一篇，到时候附上连接。

另外其他有趣的例子持续更新中

Somebody recommends me to read the book "Introduction to Algorithms:A Creative Approach"  chapter 5. He thinks this part can solve my problem. Thanks him(a handsome guy , M.E. Candidate in HFUT)!!!