动态规划(中)

Posted 2021-04-18 Alleria Windrunner

上一篇，我从查询推荐的业务需求出发，介绍了编辑距离的概念，本篇我们要基于此，来获得状态转移方程，然后才能进行实际的编码实现。

状态转移方程和编程实现

之前我讲到了使用状态转移表来展示各个子串之间的关系，以及编辑距离的推导。不过，我没有完成那张表格。

这里面求最小值的 min 函数里有三个参数，分别对应我们上节讲的三种情况的编辑距离，分别是：替换、插入和删除字符。在表格的右下角我标出了两个字符串的编辑距离 1。

概念和分析过程你都理解了，作为程序员，最终还是要落脚在编码上，我这里带你做些编码前的准备工作。

我们假设字符数组 A[]和 B[]分别表示字符串 A 和 B，A[i]表示字符串 A 中第 i 个位置的字符，B[i]表示字符串 B 中第 i 个位置的字符。二维数组 d[,]表示刚刚用于推导的二维表格，而 d[i,j]表示这张表格中第 i 行、第 j 列求得的最终编辑距离。函数 r(i, j) 表示替换时产生的编辑距离。如果 A[i]和 B[j]相同，函数的返回值为 0，否则返回值为 1。

有了这些定义，下面我们用迭代来表达上述的推导过程。

• 如果 i 为 0，且 j 也为 0，那么 d[i, j]为 0。
• 如果 i 为 0，且 j 大于 0，那么 d[i, j]为 j。
• 如果 i 大于 0，且 j 为 0，那么 d[i, j]为 i。
• 如果 i 大于 0，且 j 大于 0，那么 d[i, j]=min(d[i-1, j] + 1, d[i, j-1] + 1, d[i-1, j-1] + r(i, j))。

这里面最关键的一步是 d[i, j]=min(d[i-1, j] + 1, d[i, j-1] + 1, d[i-1, j-1] + r(i, j))。这个表达式表示的是动态规划中从上一个状态到下一个状态之间可能存在的一些变化，以及基于这些变化的最终决策结果。我们把这样的表达式称为状态转移方程。我上节最开始就说过，在所有动态规划的解法中，状态转移方程是关键，所以你一定要掌握它。

有了状态转移方程，我们就可以很清晰地用数学的方式，来描述状态转移及其对应的决策过程，而且，有了状态转移方程，具体的编码其实就很容易了。基于编辑距离的状态转移方程，我在这里列出了一种编码的实现，你可以看看。

我们首先要定义函数的参数和返回值，你需要注意判断一下 a 和 b 为 null 的情况。

public class DynamicProgramming { /*** @Description: 使用状态转移方程，计算两个字符串之间的编辑距离* @param a-第一个字符串，b-第二个字符串* @return int-两者之间的编辑距离*/ public static int getStrDistance(String a, String b) { if (a == null || b == null) return -1;

然后，初始化状态转移表。我用 int 型的二维数组来表示这个状态转移表，并对 i 为 0 且 j 大于 0 的元素，以及 i 大于 0 且 j 为 0 的元素，赋予相应的初始值。

// 初始用于记录化状态转移的二维表int[][] d = new int[a.length() + 1][b.length() + 1]; // 如果i为0，且j大于等于0，那么d[i, j]为jfor (int j = 0; j <= b.length(); j++) { d[0][j] = j;} // 如果i大于等于0，且j为0，那么d[i, j]为ifor (int i = 0; i <= a.length(); i++) { d[i][0] = i;}

这里实现的时候，i 和 j 都是从 0 开始，所以我计算的 d[i+1, j+1]，而不是 d[i, j]。而 d[i+1, j+1] = min(d[i, j+1] + 1, d[i+1, j] + 1, d[i, j] + r(i, j)。

// 实现状态转移方程 // 请注意由于Java语言实现的关系，代码里的状态转移是从d[i, j]到d[i+1, j+1]，而不是从d[i-1, j-1]到d[i, j]。本质上是一样的。 for (int i = 0; i < a.length(); i++) { for (int j = 0; j < b.length(); j++) {  int r = 0; if (a.charAt(i) != b.charAt(j)) { r = 1; }   int first_append = d[i][j + 1] + 1; int second_append = d[i + 1][j] + 1; int replace = d[i][j] + r;  int min = Math.min(first_append, second_append); min = Math.min(min, replace); d[i + 1][j + 1] = min;  } }  return d[a.length()][b.length()];  }
}

最后，我们用测试代码测试不同字符串之间的编辑距离。

public static void main(String[] args) { // TODO Auto-generated method stub System.out.println(Lesson10_1.getStrDistance("mouse", "mouuse"));
 }

从推导的表格和最终的代码可以看出，我们相互比较长度为 m 和 n 的两个字符串，一共需要求 mxn 个子问题，因此计算量是 mxn 这个数量级。和排列法的 m^n 相比，这已经降低太多太多了。

我们现在可以快速计算出编辑距离，所以就能使用这个距离作为衡量字符串之间相似度的一个标准，然后就可以进行查询推荐了。

到这里，使用动态规划来实现的编辑距离其实就介绍完了。我把两个字符串比较的问题，分解成很多子串进行比较的子问题，然后使用状态转移方程来描述状态（也就是子问题）之间的关系，并根据问题的定义，保留最小的值作为当前的编辑距离，直到过程结束。

如果我们使用动态规划法来实现编辑距离的测算，那就能确保查询推荐的效率和效果。不过，基于编辑距离的算法也有局限性，它只适用于拉丁语系的相似度衡量，所以通常只用于英文或者拼音相关的查询。如果是在中文这种亚洲语系中，差一个汉字（或字符）语义就会差很远，所以并不适合使用基于编辑距离的算法。