【算法基础】简单的动态规划!你没见过的全新视角!

文章目录

    • 动态规划导论
      • 使用动态规划加速斐波那契数列(记忆化)
      • 自底向上的动态规划
      • 经典的动态规划问题

动态规划导论

动态规划的关键是避免重复的计算。通常情况下,动态规划算法解决的问题可以用递归的方法解决。可以先尝试将问题写出最朴素的递归算法,再使用一个表来保存中间结果,这种属于自底向上的动态规划,或者叫做“记忆化搜索”。

一个最经典的例子就是求斐波那契数列。它的递归式是:当 n ≥ 2 n \geq 2 n2时, f ( n ) = f ( n − 1 ) + f ( n − 2 ) f(n) = f(n - 1) + f(n - 2) f(n)=f(n1)+f(n2) n = 0 n = 0 n=0 f ( 0 ) = 0 f(0) = 0 f(0)=0 n = 1 n = 1 n=1时, f ( 1 ) = 1 f(1) = 1 f(1)=1。用C++来实现就是下面这样:

int f(int n) {if (n == 0) return 0;if (n == 1) return 1;return f(n - 1) + f(n - 2);
}

它的时间复杂度时 O ( 2 n ) O(2^n) O(2n),因为每一个 f ( n ) f(n) f(n)的计算都要调用两次相似的规模的子问题( f ( n − 1 ) f(n-1) f(n1) f ( n − 2 ) f(n-2) f(n2))。

使用动态规划加速斐波那契数列(记忆化)

递归算法需要指数的时间来计算斐波那契数列。这意味着我们只能处理很小的一些输入。比如要计算 f ( 29 ) f(29) f(29)需要超过一百万次函数调用。

为了加快计算速度,我们注意到子问题的规模仅仅是 O ( n ) O(n) O(n)的。就是说,为了计算 f ( n ) f(n) f(n)我们只需要知道$f(n-1),f(n-1),…,f(0) $。因此,相比于重复计算这些子问题,我们通过把这些问题的结果存在一个表中来避免重复的计算。已经计算过的子问题的调用可以通过这个表马上返回结果,避免了指数指数级别的调用次数。

每一次的调用都会先检查表中数据,这会花费 O ( 1 ) O(1) O(1)的时间。如果我们之前已经计算过了,那就返回结果,否则,正常地计算。总共的时间复杂度是 O ( n ) O(n) O(n)。相对于之前的算法来说是一个巨大的提升。

const int MAXN = 100;
bool found[MAXN];
int memo[MAXN];int f(int n) {if (found[n]) return memo[n];if (n == 0) return 0;if (n == 1) return 1;found[n] = true;return memo[n] = f(n - 1) + f(n - 2);
}

使用记忆化搜索的方法, f ( 29 ) f(29) f(29)的计算只需要57次的调用。不过我们还要注意到这是结果的正确性还取决于我们使用的数据类型,在32位整数类型下,我们最多能计算第46位的斐波那契数。

通常情况下我们会在数组中保存着些数,因为在数组中查找的时间是 O ( 1 ) O(1) O(1)。实际上我们可以使用任何我们喜欢的数据结构来保存这些数。比如maps或者unordered_maps。

比如:

unordered_map<int, int> memo;
int f(int n) {if (memo.count(n)) return memo[n];if (n == 0) return 0;if (n == 1) return 1;return memo[n] = f(n - 1) + f(n - 2);
}

或者类似的:

map<int, int> memo;
int f(int n) {if (memo.count(n)) return memo[n];if (n == 0) return 0;if (n == 1) return 1;return memo[n] = f(n - 1) + f(n - 2);
}

这两种保存数据的方式在通常情况下会比数组要慢,但是当状态是向量或者字符串时,这样保存还是很有用的。

最朴素的计算递归算法时间复杂度的方式是:
每一个子问题计算时间 ∗ 子问题个数 每一个子问题计算时间 * 子问题个数 每一个子问题计算时间子问题个数
使用平衡二叉树(C++中的map)来保存状态信息的话,最终需要 O ( n l o g n ) O(nlogn) O(nlogn)的时间因为每次的插入和查找都会需要 O ( l o g n ) O(logn) O(logn)的时间。而子问题的数量一共有 O ( n ) O(n) O(n)个。

上面这种方式叫做自顶向下的,因为我们从询问的数开始计算,并且计算的过程是从上到下的,通过记忆化的方式保留中间的计算结果。

自底向上的动态规划

到目前位置我们只看到了记忆化搜索这种自顶向下的动态规划。其实我们也可以用自底向上的动态规划来解决问题。自底向上方式和自顶向下的方式完全相反,我们从最底层开始(递归的初始条件(base case)),然后扩展到更多的数。

为了实现自底向上的动态规划,我们需要在数组里初始化初始条件。然后在数组中应用递归式:

const int MAXN = 100;
int fib[MAXN];int f(int n) {fib[0] = 0;fib[1] = 1;for (int i = 2; i <= n; i++) fib[i] = fib[i - 1] + fib[i - 2];return fib[n];
}

当然了,这种写法其实有些愚蠢。因为首先如果我们重复调用f(n),会重复计算。其次我们只需要之前的两个数就可以计算当前的值。因此我们把空间复杂度从 O ( n ) O(n) O(n)减少到 O ( 1 ) O(1) O(1)

代码:

const int MAX_SAVE = 3;
int fib[MAX_SAVE];int f(int n) {fib[0] = 0;fib[1] = 1;for (int i = 2; i <= n; i++)fib[i % MAX_SAVE] = fib[(i - 1) % MAX_SAVE] + fib[(i - 2) % MAX_SAVE];return fib[n % MAX_SAVE];
}

注意到把MAXN变成了MAX_SAVE。这是因为我们需要访问的数其实只有3个。需要的空间和输入无关,根据定义,这就是 O ( 1 ) O(1) O(1)的空间复杂度。并且在这段代码中还使用了一个常用的小技巧(使用模运算)来维护我们需要的数。

上面就是动态规划的基础:不要重复你之前的工作。

一个更好掌握动态规划的方式是学习一些经典的例子。

经典的动态规划问题

  • 0-1 Knapsack
  • Subset Sum
  • Longest Increasing Subsequence
  • Counting all possible paths from top left to bottom right corner of a matrix
  • Longest Common Subsequence
  • Longest Path in a Directed Acyclic Graph (DAG)
  • Coin Change
  • Longest Palindromic Subsequence
  • Rod Cutting
  • Edit Distance
  • Bitmask Dynamic Programming
  • Digit Dynamic Programming
  • Dynamic Programming on Trees

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/836832.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

js图片回显的方法

直接上代码&#xff1a; <!DOCTYPE html> <html><head><meta charset"utf-8"><title></title></head><body>// HTML部分<input type"file" id"fileInput"><button onclick"show…

SSH常用功能介绍-高级功能

一、介绍 SSH&#xff08;Secure Shell&#xff09;是一种用于远程登录和执行命令的网络协议&#xff0c;它提供了加密的连接&#xff0c;保证了数据的安全性。除了基本的远程登录功能外&#xff0c;SSH还提供了许多高级功能&#xff0c;以下是一些常用的高级功能介绍&#xf…

神经网络笔记:感知机+激活函数+全连接神经网络简介

神经网络 单层神经网络 感知机模型 激活函数输出 感知机 MP模型 激活函数 把神经网络模型线性输出变为非线性输出 常用激活函数 sigmoid sigmoid(x) 1 / (1 exp(-x))适用于预测概率作为输出的模型优点 把输入值压缩到0-1之间物理意义上最接近生物神经元 缺点 存在梯…

OpenBayes 一周速览|SegmentAnything 分割万物教程上新、MiniGemini 多模态模型天花板一键 input

公共资源速递 This Weekly Snapshots &#xff01; 5 个数据集&#xff1a; * SAOKE 人工标注数据集 * AG News 新闻文章数据集 * VQA-HAT 智能问答数据集 * EQA 问答数据集 * HotpotQA 问答数据集 1 个模型&#xff1a; * MiniGemini-34B-HD 2 个教程&#xff1a; …

什么是 RAG,大模型微调,向量数据库的应用场景

原来向量数据库的应用场景是这样的&#xff01;按照我的理解&#xff0c;大模型其实是没有学习能力的&#xff0c;它就相当于一个真值表或者矩阵&#xff0c;给它输入&#xff0c;它就输出&#xff0c;在使用它的过程中它不会自己训练自己&#xff0c;改变既有的参数&#xff0…

IPC通信中间件综述

IPC通信中间件综述 DBus&#xff08;Desktop Bus&#xff09;FDBusDDS&#xff08;Data Distribution Service&#xff09;Fast DDS&#xff08;Fast Data Distribution Service&#xff09;OpenDDS&#xff08;Open Data Distribution Service&#xff09;IceoryxCyberRTZeroM…

亲测-原生android 跳转到flutter页面

当前状态: 原生android 和flutter都能跑通 android studio 版本2023.3.1 解决方式 1.新建flutter项目 点击new flutter 点next 点project type 选module 2&#xff08;如果快速的话&#xff0c;此处将 flutter的lib和assets考过来&#xff09;也可以后面在搞 且将pubspec.yaml …

3W 3KVAC隔离 宽电压输入 AC/DC 电源模块——TP03AL系列

TP03AL系列产品具有交直流两用、输入电压范围宽、高可靠性、低功耗、安全隔离等优点。广泛适用于工控和电力仪器仪表、智能家居等对体积要求苛刻、并对EMC 要求不高的场合&#xff0c;如果需要应用于电磁兼容恶劣的环境下必须添加EMC 外围电路。

栈结构(详解)

1.栈的概念 栈&#xff1a;一种特殊的线性表&#xff0c;其只允许在固定的一端进行插入和删除元素操作。进行数据插入和删除操作的一端称为栈顶&#xff0c;另一端称为栈底。栈中的数据元素遵守后进先出LIFO&#xff08;Last In First Out&#xff09;的原则。 压栈&am…

java super关键字

在Java中&#xff0c;super是一个关键字&#xff0c;用于引用父类的成员&#xff08;字段、方法、构造方法&#xff09;。主要有两种用法&#xff1a; 1. 调用父类的构造方法&#xff1a;在子类的构造方法中&#xff0c;使用super()调用父类的构造方法。如果子类没有显式地调用…

立聪堂助听器29周年暨第九届助听使者活动圆满落幕

5月10日对于立聪堂来说是个特别的日子&#xff0c;这家专注于听力健康领域的公司迎来了29周年。同时&#xff0c;立聪堂第九届助听使者代表及其家人也受邀参观立聪堂南京总部&#xff0c;共庆29周年。 易被忽视的老人听力健康 大数据显示&#xff0c;我国65岁以上老人&#x…

SQLZOO:The JOIN operation

数据表&#xff1a;game-gaol-eteam game idmdatestadiumteam1team210018 June 2012National Stadium, WarsawPOLGRE10028 June 2012Stadion Miejski (Wroclaw)RUSCZE100312 June 2012Stadion Miejski (Wroclaw)GRECZE100412 June 2012National Stadium, WarsawPOLRUS... goal …

【重装系统】U盘制作软件——Rufus

Rufus 是一款格式化和创建 USB 启动盘的辅助工具。 本软件适用于以下场景&#xff1a; 需要将可引导 ISO (Windows、Linux、UEFI 等) 刻录到 USB 安装媒介的情况 需要处理未安装操作系统的设备的情况 需要在 DOS 环境下刷写 BIOS 或其他固件的情况 需要运行低级工具的情况 官…

WebSocket建立网络连接——小案例

WebSocket是一种实现全双工通信的网络技术标准&#xff0c;它允许在用户的浏览器和服务器之间进行持久的、双向的通信。以下是对WebSocket的具体介绍&#xff1a; 实时性&#xff1a;与传统HTTP请求相比&#xff0c;WebSocket提供了更高效的实时数据交换方式。一旦建立连接&am…

数据可视化(九):Pandas北京租房数据分析——房源特征绘图、箱线图、动态可视化等高级操作

Tips&#xff1a;"分享是快乐的源泉&#x1f4a7;&#xff0c;在我的博客里&#xff0c;不仅有知识的海洋&#x1f30a;&#xff0c;还有满满的正能量加持&#x1f4aa;&#xff0c;快来和我一起分享这份快乐吧&#x1f60a;&#xff01; 喜欢我的博客的话&#xff0c;记得…

【Golang】基于 excelize 的 Excel 工具包

目录 1. 安装excelize库2. Excel工具代码2.1 初始化Excel对象2.2. 常用操作2.2.1 设置窗格冻结2.2.2 设置工作表名称2.2.3 创建工作表2.2.4 设置单元格值2.2.5 设置单元格样式2.2.6 合并单元格2.2.7 设置行高和列宽 3.使用示例4.完整代码5.总结 在日常的开发中&#xff0c;我们…

操作抖音小店亏钱?是哪方面导致的?赶紧自查!

大家好&#xff0c;我是电商小V 我也经常去浏览网上的一些帖子&#xff0c;一些帖子就是说开抖音小店运营一年多了不出单&#xff0c;不转化&#xff0c;还亏钱&#xff0c;做不起来&#xff0c;很多人来问我&#xff0c;做抖音小店是不是不能赚钱&#xff1f; 关于这个问题&am…

04、 .java程序用 editplus 工具打开的过程及在 editplus 工具中配置 java/javac 命令的过程

EditPlus 工具的使用&#xff1a; 1、安装 editplus 工具的过程&#xff1a;其一、安装包地址&#xff1a;其二、安装步骤&#xff1a; 2、使用 editplus 工具打开 .java 程序的过程&#xff1a;其一、修改默认打开 .java 的工具&#xff1a;其二、效果展示&#xff1a; 3、在 …

安全测试工具BurpSuite安装和使用

1.安装 下载地址&#xff1a;https://pan.baidu.com/s/1YJbZGAfVKLsQmNeZYZXEeQ 提取码: yyds 打开cmd&#xff0c;运行以下指令&#xff0c;打开keygen界面&#xff1a; java -jar "C:\soft\BurpSuite v2.1\burp-loader-keygen-2.jar" 点击Run按钮&#xff0c;弹…

flash attention的CUDA实现探讨-V3

之前关于flash attention的实现参考添加链接描述,添加链接描述,添加链接描述 lash attention的数学变换:给定三个矩阵Q,K,V,形状都是[N,d],计算S=QK.T,然后针对dim=1做softmax,然后和V继续做矩阵乘法得到形状为[N,d]的输出矩阵O,即O=softmax(QK.T,dim=1)V。 下面本人的…