算法之动态规划问题

Posted ladder

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了算法之动态规划问题相关的知识,希望对你有一定的参考价值。

态规划算法是通过拆分问题,定义问题状态和状态之间的关系,使得问题能够以递推的方式去解决。

动态规划的核心点:定义状态与转移方程(最优子结构)
重新定义问题:

技术分享图片

一、最长上升子序列(LIS):给定一个序列X,求X长度最大的连续递增的子序列。
例:X=[1,7,2,8,3,5,2],LIS(X)=[1,2,3,5]

技术分享图片

技术分享图片
def LIS(x):
    F = [0 for _ in range(len(x))]
    p = [-1 for _ in range(len(x))]
    # 初始化
    F[0] = 1
    p[0] = -1
    for k in range(1, len(F)):
        max_loc = -1
        max_num = 0
        # 内层循环表示F[0:k]里所有小于x[k]的对应位置的F[i]的最大值
        for i in range(0, k):
            if x[i] < x[k]:
                if F[i] > max_num:
                    max_loc = i
                    max_num = F[i]
        F[k] = max_num + 1
        p[k] = max_loc

    max_i = 0
    for i in range(1,len(F)):
        if F[i] > F[max_i]:
            max_i = i

    lis = []
    i = max_i
    while i >= 0:
        lis.append(x[i])
        i = p[i]
    lis.reverse()
    return lis

# print(LIS([9,7,2,8,3,5,2]))
技术分享图片

 二、最长公共子序列(LCS)问题:给定两个序列X和Y,求X和Y长度最大的公共子序列。

例:X="ABBCBDE" Y="DBBCDB" LCS(X,Y)="BBCD"

动态规划最优子结构:

技术分享图片

技术分享图片

技术分享图片
def LCS(x, y):
    F = [[0 for _ in range(len(y)+1)] for _ in range(len(x)+1)]
    p = [[0 for _ in range(len(y)+1)] for _ in range(len(x)+1)]
    for i in range(1, len(x)+1):
        p[i][0] = 2
    for j in range(1, len(y)+1):
        p[0][j] = 1

    # 0 斜向  1 横向 j-1   2竖向 i-1
    for i in range(1, len(x)+1):
        for j in range(1, len(y)+1):
            if x[i-1] == y[j-1]:
                F[i][j] = F[i-1][j-1]+1
                p[i][j] = 0
            else:
                #F[i][j] = max(F[i-1][j], F[i][j-1])
                if F[i-1][j] > F[i][j-1]:
                    F[i][j] = F[i-1][j]
                    p[i][j] = 2
                else:
                    F[i][j] = F[i][j-1]
                    p[i][j] = 1

    lcs = []
    i = len(x)
    j = len(y)
    while i > 0 or j > 0:
        if p[i][j] == 0:
            lcs.append(x[i-1])
            i -= 1
            j -= 1
        elif p[i][j] == 1:
            j -= 1
        else:
            i -= 1
    lcs.reverse()
    return lcs
    #return F[i][j]

# print(LCS("ABBCBDE", "DBBCDB"))
技术分享图片

 

三、最长公共子序列(LCSS)问题:给定两个序列X和Y,求X和Y长度最大的公共子串。

例:X="ABBCBDE" Y="DBBCDB" LCSS(X,Y)="BBC"

暴力搜索求解:O(n3)

动态规划最优子结构:

技术分享图片

技术分享图片
def LCSS(x, y):
    F = [[0 for _ in range(len(y)+1)] for _ in range(len(x)+1)]
    p = [[0 for _ in range(len(y)+1)] for _ in range(len(x)+1)]
    # 0 不匹配 1匹配
    for i in range(1, len(x)+1):
        for j in range(1, len(y)+1):
            if x[i-1] == y[j-1]:
                F[i][j] = F[i-1][j-1]+1
                p[i][j] = 1
            else:
                F[i][j] = 0
                p[i][j] = 0
    max_val = 0
    max_i = 0
    max_j = 0
    for i in range(1, len(x)+1):
        for j in range(1, len(y)+1):
            if F[i][j] > max_val:
                max_val = F[i][j]
                max_i = i
                max_j = j
    #tracback
    lcss = []
    i = max_i
    j = max_j
    while p[i][j] == 1:
        lcss.append(x[i-1])
        i -= 1
        j -= 1

    lcss.reverse()
    return lcss

print(LCSS("ABBCBDE", "DBBCDB"))
技术分享图片

 

四、编辑距离:指两个字串之间,由一个转成另一个所需的最少编辑操作次数。

允许的编辑操作:替换、插入、删除x="cofe" y="coffee",编辑距离为2(插入2次)

  • x="coffee" y="coffe",编辑距离为(删除1次)
  • x="coffee" y="coffye",编辑距离为(替换2次)
  • x="cofye" y="coffee",编辑距离为2

编辑距离可以用来表示两个字符串的相似度,应用广泛
动态规划最优子结构:

技术分享图片

技术分享图片

斜着过来是替换

从左边来的是插入

从上面来的是删除

技术分享图片

代码待续。。。。。。。。。。

 




以上是关于算法之动态规划问题的主要内容,如果未能解决你的问题,请参考以下文章

算法设计与分析之动态规划

C++ 不知算法系列之初识动态规划算法思想

算法动态规划之图的最短路径(C++源码)

Python <算法思想集结;之抽丝剥茧聊动态规划

五种常用算法之二:动态规划算法

经典算法研究系列 之 动态规划算法