2022年动态规划算法的优化技巧 .pdf

《2022年动态规划算法的优化技巧 .pdf》由会员分享，可在线阅读，更多相关《2022年动态规划算法的优化技巧 .pdf（16页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、福州第三中学毛子青第 1 页 / 共 16 页动态规划算法的优化技巧福州第三中学毛子青关键词 动态规划、时间复杂度、优化、状态摘要 动态规划是信息学竞赛中一种常用的程序设计方法，本文着重讨论了运用动态规划思想解题时时间效率的优化。全文分为四个部分，首先讨论了动态规划时间效率优化的可行性和必要性，接着给出了动态规划时间复杂度的决定因素，然后分别阐述了对各个决定因素的优化方法，最后总结全文。正文 一、引言动态规划是一种重要的程序设计方法，在信息学竞赛中具有广泛的应用。使用动态规划方法解题，对于不少问题具有空间耗费大、时间效率高的特点，因此人们在研究动态规划解题时更多的注意空间复杂度的优化，运用各种

2、技巧将空间需求控制在软硬件可以承受的范围之内。但是， 也有一部分问题在使用动态规划思想解题时，时间效率并不能满足要求，而且算法仍然存在优化的余地，这时，就需要考虑时间效率的优化。本文讨论的是在确定使用动态规划思想解题的情况下，对原有的动态规划解法的优化，以求降低算法的时间复杂度，使其能够适用于更大的规模。二、动态规划时间复杂度的分析使用动态规划方法解题，对于不少问题之所以具有较高的时间效率，关键在于它减少了“ 冗余” 。所谓“冗余”，就是指不必要的计算或重复计算部分，算法的冗余程度是决定算法效率的关键。 动态规划在将问题规模不断缩小的同时，记录已经求解过的子问题的解，充分利用求解结果，避免了反

3、复求解同一子问题的现象，从而减少了冗余。但是，动态规划求解问题时，仍然存在冗余。它主要包括：求解无用的子问题，对结果无意义的引用等等。下面给出动态规划时间复杂度的决定因素：时间复杂度 =状态总数 * 每个状态转移的状态数* 每次状态转移的时间1下文就将分别讨论对这三个因素的优化。这里需要指出的是：这三者之间不是相互独立的，而是相互联系， 矛盾而统一的。 有时，实现了某个因素的优化，另外两个因素也随之得到了优化； 有时，实现某个因素的优化却要以增大另一因素为代价。因此，这就要求我们在优化时，坚持“全局观” ，实现三者的平衡。三、动态规划时间效率的优化3.1 减少状态总数我们知道， 动态规划的求解

4、过程实际上就是计算所有状态值的过程，因此状态的规模直接影响到算法的时间效率。所以， 减少状态总数是动态规划优化的重要部分，本节将讨论减少状态总数的一些方法。名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 1 页，共 16 页 - - - - - - - - - 福州第三中学毛子青第 2 页 / 共 16 页1、改进状态表示状态的规模与状态表示的方法密切相关，通过改进状态表示减小状态总数是应用较为普遍的一种方法。例一、Raucous Rockers 演唱组（ USACO96 ）问题描述

5、 现有 n 首由 Raucous Rockers 演唱组录制的珍贵的歌曲，计划从中选择一些歌曲来发行m 张唱片，每张唱片至多包含t 分钟的音乐，唱片中的歌曲不能重叠。按下面的标准进行选择：（1）这组唱片中的歌曲必须按照它们创作的顺序排序；（2）包含歌曲的总数尽可能多。输入 n，m，t，和 n 首歌曲的长度，它们按照创作顺序排序，没有一首歌超出一张唱片的长度，而且不可能将所有歌曲的放在唱片中。输出所能包含的最多的歌曲数目。（1n, m, t20 ）算法分析 本题要求唱片中的歌曲必须按照它们创作顺序排序，这就满足了动态规划的无后效性要求，启发我们采用动态规划进行解题。分析可知，该问题具有最优子结构

6、性质，即：设最优录制方案中第i 首歌录制的位置是从第j 张唱片的第k 分钟开始的，那么前j-1 张唱片和第j 张唱片的前k-1 分钟是前 1.i-1 首歌的最优录制方案，也就是说，问题的最优解包含了子问题的最优解。设 n 首歌曲按照写作顺序排序后的长度为long1.n，则动态规划的状态表示描述为：gi, j, k，0in，0jm ，0kt ，表示前 i 首歌曲，用 j 张唱片另加k 分钟来录制，最多可以录制的歌曲数目，则问题的最优解为gn,m,0。由于歌曲i 有发行和不发行两种情况，而且还要分另加的k 分钟是否能录制歌曲i。这样我们可以得到如下的状态转移方程和边界条件：当 k longi， i

7、1 时：gi, j, k=maxgi-1,j,k-longi，gi-1,j,k 当 klongi，i1 时：gi, j, k=maxgi-1,j-1,t-longi，gi-1,j,k 规划的边界条件为：当 0 kt-b时：a=a+1; b=longi;规划的边界条件：gi,0=(0,0) 0in 这样题目所求的最大值是：ans=maxk| gn, k(m-1,t) 改进后的算法，状态总数为O(n2) ，每个状态转移的状态数为O(1) ，每次状态转移的时间为 O(1) ，所以总的时间复杂度为O(n2) 。值得注意的是，算法的空间复杂度也由改进前的O(m*n*t)降至优化后的O(n2)。（程序及优

8、化前后的运行结果比较见附件）通过对本题的优化，我们认识到： 应用不同的状态表示方法设计出的动态规划算法的性能也迥然不同。 改进状态表示可以减少状态总数，进而降低算法的时间复杂度。在降低算法的时间复杂度的同时， 也降低了算法的空间复杂度。因此， 减少状态总数在动态规划的优化中占有重要的地位。2 、选择适当的规划方向动态规划方法的实现中，规划方向的选择主要有两种：顺推和逆推。在有些情况下，选取不同的规划方向，程序的时间效率也有所不同。一般地，若初始状态确定，目标状态不确定，则应考虑采用顺推，反之， 若目标状态确定， 而初始状态不确定，就应该考虑采用逆推。那么， 若是初始状态和目标状态都已确定，一般

9、情况下顺推和逆推都可以选用，但是，能否考虑选用双向规划呢？双向搜索的方法已为大家所熟知，它的主要思想是： 在状态空间十分庞大，而初始状态和目标状态又都已确定的情况下，由于扩展的状态量是指数级增长的，于是为了减少状态的规模，分别从初始状态和目标状态两个方向进行扩展，并在两者的交汇处得到问题的解。上述优化思想能否也应用到动态规划之中呢？来看下面这个例子。例二、Divide (Merc2000) 问题描述 有价值分别为1.6的大理石各a1.6块，现要将它们分成两部分，使得两部分价值和相等，问是否可以实现。其中大理石的总数不超过20000 。( 英文试题详见附件) 算法分析 令 S= (i*ai)，若

10、 S 为奇数，则不可能实现，否则令Mid=S/2，则问题转化为能否从给定的大理石中选取部分大理石，使其价值和为Mid 。这实际上是母函数问题，用动态规划求解也是等价的。mi, j，0i6，0j Mid ，表示能否从价值为1.i 的大理石中选出部分大理石，使其价值和为j，若能，则用true表示，否则用false表示。则状态转移方程为：mi, j=mi, j OR mi-1,j-i*k (0 kai) 规划的边界条件为：mi,0=true； 0i 6 若 mi, Mid=true，0i6，则可以实现题目要求，否则不可能实现。我们来分析上述算法的时间性能，上述算法中每个状态可能转移的状态数为ai ，

11、每次状态名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 3 页，共 16 页 - - - - - - - - - 福州第三中学毛子青第 4 页 / 共 16 页转移的时间为O(1) ，而状态总数是所有值为true的状态的总数，实际上就是母函数中项的数目。 算法优化 实践发现：本题在i 较小时，由于可选取的大理石的价值品种单一，数量也较少，因此值为true的状态也较少，但随着i 的增大，大理石价值品种和数量的增多，值为true的状态也急剧增多，使得规划过程的速度减慢，影响了算法的时间效

12、率。另一方面，我们注意到我们关心的仅是能否得到价值和为Mid 的值为 true的状态，那么，我们能否从两个方向分别进行规划，分别求出从价值为1.3的大理石中选出部分大理石所能获得的所有价值和， 和从价值为4.6的大理石中选出部分大理石所能获得的所有价值和。最后通过判断两者中是否存在和为Mid 的价值和，由此，可以得出问题的解。状态转移方程改进为：当 i3 时：mi, j=mi, j OR mi-1,j-i*k (1 kai) 当 i3时：mi, j=mi, j OR mi+1,j-i*k (1 kai) 规划的边界条件为：mi,0=true； 0i 7 这样，若存在k，使得 m3,k=true

13、, m4,Mid-k=true，则可以实现题目要求，否则无法实现。（程序及优化前后的运行结果比较见附件）从上图可以看出双向动态规划与单向动态规划在计算的状态总数上的差异。回顾本题的优化过程可以发现：本题的实际背景与双向搜索的背景十分相似，同样有庞大的状态空间，有确定的初始状态和目标状态，状态量都迅速增长，而且可以实现交汇的判断。因此， 由本题的优化过程，我们认识到，双向扩展以减少状态量的方法不仅适用于搜索，同样适用于动态规划。这种在不同解题方法中，寻找共通的属性，从而借用相同的优化思想，可以使我们不断创造出新的方法。3.2 减少每个状态转移的状态数在使用动态规划方法解题时，对当前状态的计算都是

14、进行一些决策并引用相应的已经计算过的状态，这个过程称为“状态转移”。因此，每个状态可能做出的决策数，也就是每个状态可能转移的状态数是决定动态规划算法时间复杂度的一个重要因素。本节将讨论减少每个状名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 4 页，共 16 页 - - - - - - - - - 福州第三中学毛子青第 5 页 / 共 16 页态可能转移的状态数的一些方法。1、四边形不等式和决策的单调性例三、石子合并问题(NOI95) 问题描述 在一个操场上摆放着一排n（n20）堆石

15、子。现要将石子有次序地合并成一堆。规定每次只能选相邻的2 堆石子合并成新的一堆，并将新的一堆石子数记为该次合并的得分。试编程求出将n 堆石子合并成一堆的最小得分和最大得分以及相应的合并方案。算法分析 这道题是动态规划的经典应用。由于最大得分和最小得分是类似的，所以这里仅对最小得分进行讨论。设n 堆石子依次编号为1，2， .，n。各堆石子数为d1.n ，则动态规划的状态表示为：mi,j，1 ij n，表示合并di.j所得到的最小得分，则状态转移方程和边界条件为：mi,j=0 i=j jiljkildjkmkimjim, 1,min,ij 同时令 si,j=k，表示合并的断开位置，便于在计算出最优

16、值后构造出最优解。上式中jilld 的计算，可在预处理时计算ijjdit1，i=1.n；t0=0, 则： 1itjtldjil上述算法的状态总数为O(n2) ，每个状态转移的状态数为O(n) ，每次状态转移的时间为O(1) ，所以总的时间复杂度为O(n3)。 算法优化 当函数wi,j 满足 , , ,jiwjiwjiwjiw,jjii时，称w 满足四边形不等式2。当函数 wi,j满足 wi ,j wi,j ,jjii时称 w 关于区间包含关系单调。在石子归并问题中， 令 wi,j=jilld ，则 wi,j满足四边形不等式，同时由 di 0,ti0 可知 wi,j满足单调性。mi,j=0 i=

17、j , 1,min,jiwjkmkimjimjkiij ,对于满足四边形不等式的单调函数w ，可推知由递推式定义的函数mi,j也满足四边形不等式，即 , , ,jimjimjimjim,jjii。这一性质可用数学归纳法证明如下：名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 5 页，共 16 页 - - - - - - - - - 福州第三中学毛子青第 6 页 / 共 16 页我们对四边形不等式中“长度”l=j -i 进行归纳：当 i=i 或 j=j 时，不等式显然成立。由此可知，当

18、l1 时，函数 m 满足四边形不等式。下面分两种情形进行归纳证明：情形 1：ii =jj 。下面只讨论 kj，kj的情况是类似的。情形 1.1 ：kj，此时： , , 1, , , 1, , , 1, ,jimjkmkimjiwjjmjkmkimjiwjjmjkmkimjiwjjmjim情形 2：ii jy 。下面只讨论zy，zy的情况是类似的。由 iz y j 有：, , , 1, 1, , , , 1, 1, , , , 1, , , 1, , ,jimjimjzmjymzimyimjiwjiwjymjzmzimyimjiwjiwjymyimjiwjzmzimjiwjimjim综上所述，

19、mi,j满足四边形不等式。令 si,j=maxk | mi,j=mi,k-1+mk,j+wi,j 由函数 mi,j满足四边形不等式可以推出函数si,j的单调性，即si,jsi,j+1si+1,j+1, ij 当 i=j时，单调性显然成立。因此下面只讨论ij的情形。由于对称性，只要证明si,jsi,j+1。令 mki,j=mi,k-1+mk,j+wi,j。要证明 si,jsi,j+1，只要证明对于所有ikk j 且 mki,jmki,j，有： mki,j+1mki,j+1。事实上，我们可以证明一个更强的不等式mki,j-mki,j mki,j+1-mki,j+1 也就是：mki,j+mki,j+

20、1mki,j+1+mki,j 利用递推定义式将其展开整理可得：mk,j+mk ,j+1mk,j+mk,j+1，这正是kk jj+1时的四边形不等式。综上所述，当w 满足四边形不等式时，函数si,j具有单调性。于是，我们利用si,j的单调性，得到优化的状态转移方程为：mi,j=0 i=j ,1,min,1 1,jiwjkmkimjimjiskjisiy ，下面仅讨论zy，zy的情况是类似的。由 izyj 有：名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 7 页，共 16 页 - -

21、- - - - - - - 福州第三中学毛子青第 8 页 / 共 16 页 , | | | | | , ,11jiwjiwydldzdldydldzdldydldzdldydldzdldjiwjiwjiljiljjljjljiljiljiljil接着，我们用数学归纳法证明函数m 也满足四边形不等式。对四边形不等式中 “长度”l=j -i进行归纳：当 i=i 或 j=j 时，不等式显然成立。由此可知，当l1 时，函数 m 满足四边形不等式。下面分两种情形进行归纳证明：情形 1：ii =jj 。下面只讨论 kj，kj的情况是类似的。 , , 1, 1 , 1, 1, 1, 1 ,jimjkwkim

22、jjwjjmjkwkimjjmjim情形 2：ii jy 。情形 2.1 ，当 zyjj 时： , , 1, 1, 1, 1, 1, 1 , 1, 1 , ,jimjimjzwjywzimyimjzwzimjywyimjimjim情形 2.2 ，当 i-1i -1 yzj 时：, ,;, 1, 1, 1, 1 , 1, 1, 1, 1 , ,jimjimjzwjywyimzimjzwzimjywyimjimjim最后，我们证明决策si,j满足单调性。为讨论方便，令mki,j=mi-1,k+wk+1,j；我们先来证明si-1,j si,j ，只要证明对于所有ikkj 且 mki-1,jmki-1

23、,j，有：mki,jmki,j。类似地，我们可以证明一个更强的不等式mki-1,j-mki-1,jmki,j-mki,j 也就是：mki-1,j+mki,jmki,j+mki-1,j 名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 8 页，共 16 页 - - - - - - - - - 福州第三中学毛子青第 9 页 / 共 16 页利用递推定义式展开整理的：mi-2,k+mi-1,k mi-1,k+mi-2,k ，这就是i-2i-1kk 时 m 的四边形不等式。我们再来证明si,j

24、si,j+1，与上文类似，设kkj ，则我们只需证明一个更强的不等式：mki,j-mki,j mki,j+1-mki,j+1 也就是：mki,j+mki,j+1mki,j+1+mki,j 利用递推定义式展开整理的：wk+1,j+wk+1,j+1wk+1,j+1+wk+1,j，这就是 k+1k+1jj+1时 w 的四边形不等式。综上所述，该问题的决策si,j具有单调性，于是优化后的状态转移方程为：m1,j=w1,j , 1,1min,1, 1jkwkimjimjiskjisij si,j=k 同上文所述，优化后的算法时间复杂度为O(n*p)。（程序及优化前后的运行结果比较见附件）四边形不等式优化

25、的实质是对结果的充分利用。它通过分析状态值之间的特殊关系，推出了最优决策的单调性，从而在计算当前状态时，利用已经计算过的状态所做出的最优决策，减少了当前的决策量。这就启发我们，在应用动态规划解题时，不仅可以实现状态值的充分利用， 也可以实现最优决策的充分利用。这实际上是从另一个角度实现了“减少冗余” 。2、决策量的优化通过分析问题最优解所具备的性质，从而缩小有可能产生最优解的决策集合，也是减少每个状态可能转移的状态数的一种方法。大家所熟悉的NOI96中的添加号问题，正是从“所得的和最小”这一原则出发，仅在等分点的附近添加号，从而大大减少了每个状态转移的状态数，降低了算法的时间复杂度。让我们在再

26、来看一例。例五、石子归并的最大得分问题问题描述 见例三，本例只考虑最大得分问题。算法分析 设 n 堆石子依次编号为1，2，.，n。各堆石子数为d1.n ，则动态规划的状态表示为：mi,j，1 ij n，表示合并di.j所得到的最大得分，则状态转移方程和边界条件为：mi,j=0 i=j jiljkildjkmkimjim, 1,max,ij 同时令 si,j=k，表示合并的断开位置，便于在计算出最优值后构造出最优解。该算法的时间复杂度为O(n3) 。算法优化 仔细分析问题，可以发现：si,j要么等于 i+1 ，要么等于j，即：jijimjimjkmkimjki, 1,1,max, 1,max证明

27、可以采用反证法，设使mi,j达到最大值的断开位置为p，且i+1pj，名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 9 页，共 16 页 - - - - - - - - - 福州第三中学毛子青第 10 页 / 共 16 页1pillay，jpllaz，下面分为2 种情形讨论。情形 1、y z 由 pj ，可设 sp,j=k，则相应的合并方式可以表示为：( (ai ap -1) ( (ap.ak-1) (ak.aj) ) ) 相应的得分为：zzyjkmkpmpimT, 1,1,下面考虑

28、另一种合并方案si,j=k ，si,k=p ，表示为：( ( (aiap-1) (ap.ak-1) ) (ak.aj) ) 相应的得分为：1, 1, 1,kpllazyyjkmkpmpimT,由 yz 可得， TT ，这与使 mi,j达到最大值的断开位置为p 的假设矛盾。情形 2、yz 与情形 1 类似。于是，状态转移方程优化为：mi,j=0 i=j jilldjimjimjim, 1 1,max,i j 优化后每个状态转移的状态数减少为O(1) ，算法总的时间复杂度也降为O(n2)。（程序及优化前后的运行结果比较见附件）本题的优化过程是通过对问题最优解性质的分析，找出最优决策必须满足的必要条

29、件，这与搜索中的最优性剪枝的思想十分类似，由此我们再次看到了相同的优化思想应用于不同的算法设计方法。 同时， 我们也认识到： 动态规划的优化必须建立在全面细致分析问题的基础上，只有深入分析问题的属性，挖掘问题的实质，才能实现算法的优化。3 、合理组织状态在动态规划求解的过程中，需要不断地引用已经计算过的状态。因此， 合理地组织已经计算出的状态有利于提高动态规划的时间效率。例六、求最长单调上升子序列问题描述 给出一个由n 个数组成的序列x1.n ，找出它的最长单调上升子序列。即求最大的m 和a1,a2 ,am，使得 a1a2,am且 xa1xa2,xam。算法分析 这也是一道动态规划的经典应用。

30、动态规划的状态表示描述为：mi，1in ，表示以xi 结尾的最长上升子序列的长度，则问题的解为maxmi,1in ，状态转移方程和边界条件为：mi=1+max0, mk|xkxi , 1k1时，令 pi=k，表示最优决策，以便在计算出最优值后构造最长单调上升子序列。上述算法的状态总数为O(n) ，每个状态转移的状态数最多为O(n) ，每次状态转移的时间为 O(1) ，所以算法总的时间复杂度为O(n2) 。名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 10 页，共 16 页 - -

31、- - - - - - - 福州第三中学毛子青第 11 页 / 共 16 页 算法优化 我们先来考虑以下两种情况：1、若 xij， ki) ，必有 xkxjxi，则 mk也能由 mi转移得到；另一方面，可以由状态mi转移得到的状态mk (kj，ki) ，当 xjxkxi时，mk就无法由 mj转移得到。由此可见，在所有状态值相同的状态中，只需保留最后一个元素值最小的那个状态即可。2、若 ximj，则 mj这个状态不必保留。因为，可以由状态mj转移得到的状态mk (kj， ki) ，必有 xkxjxi，则 mk也能由 mi转移得到，而且 mimj，所以 mk mi+1mj+1，则 mj的状态转移是

32、没有意义的。综合上述两点，我们得出了状态mk需要保留的必要条件：不存在i 使得： xixk且mimk。于是，我们保留的状态中不存在相同的状态值，且随着状态值的增加，最后一个元素的值也是单调递增的。也就是说，设当前保留的状态集合为S，则 S 具有以下性质D：对于任意 i S, j S, i j 有： mi mj， 且若 mimj， 则 xixj。下面我们来考虑状态转移：假设当前已求出m1.i-1，当前保留的状态集合为S，下面计算 mi 。1、若存在状态k S，使得 xk=xi，则状态mi 必定不需保留，不必计算。因为，不妨设 mi=mj+1， 则 xjxi=xk， j S， j k， 所以 mj

33、mk， 则 mi=mj+1mk，所以状态mi不需保留。2、否则，mi=1+maxmj| xjxi, j S 。我们注意到满足条件的j 也满足xj=maxxk|xkxi, k S 。同时我们把状态i 加入到 S 中。3、若 2 成立，则我们往S 中增加了一个状态，为了保持S 的性质，我们要对S 进行维护，若存在状态k S， 使得 mi=mk， 则我们有xixi, jS 。于是状态k 应从 S 中删去。于是，我们得到了改进后的算法：For i:=1 to n do 找出集合S 中的 x 值不超过 xi 的最大元素k ；if xkxi then mi:=mk+1; 将状态 i 插入集合 S；找出集合

34、 S 中的 x 值大于 xi 的最小元素j；if mj=mi then 将状态 j 从 S 中删去； 从性质 D 和算法描述可以发现，S 实际上是以x 值为关键字（也是以m 值为关键字）的有序集合。若使用平衡树实现有序集合S，则该算法的时间复杂度为O(n*log2n) 。本题优化后，每个状态转移的状态数仅为O(1) ，而每次状态转移的时间变为O(log2n) ，这也体现了上文所提到的优化中不同因素之间的矛盾，但从总体上看，算法的时间复杂度是降低了。（程序及优化前后的运行结果比较见附件）回顾本题的优化过程，首先通过分析状态之间的分析，减少需要保留的状态数，同时发现需要保留状态的单调性，从而减少了

35、每个状态可能转移的状态数，并通过高效数据结构平衡树名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 11 页，共 16 页 - - - - - - - - - 福州第三中学毛子青第 12 页 / 共 16 页组织当前保留的状态，实现算法的优化。通过对本题的优化，我们认识到减少保留的状态数，合理组织已经计算出的状态可以实现减少每个状态可能转移的状态数，同时，选取恰当的数据结构也是算法优化的一个重要原则，在下文的阐述中，还会看到借助数据结构实现算法优化。4 、细化状态转移所谓“细化状态转移

36、” ，就是将原来的一次状态转移细化成若干次状态转移，其目的在于减少总的状态转移的次数。在优化前， 问题的决策一般都是复合决策，也就是一些子决策的排列，因此决策的规模较大，每个状态可能转移的状态数也就较多，优化的方法就是将每个复合决策细化成若干个子决策，并在每个子决策后面增设一个状态，这样， 后面的子决策只在前面的子决策达到最优解时才进行转移，因此在优化后，虽然，状态总数增加了，但是总的状态转移次数却减少了，算法总的复杂度也就降低了。应该注意的是： 上述优化应该满足一个条件，即原来每个复合决策的各个子决策之间也满足最优化原理和无后效性，也就是说： 复合最优决策的子决策也是最优决策；前面的子决策不

37、影响后面的子决策。上述优化方法再一次体现了实现一个因素的优化要以增大另一个因素作为代价，但是，算法总的时间复杂度的降低才是我们的真正目的。3.3 减少状态转移的时间我们知道， 状态转移是动态规划的基本操作，因此，减少每次状态转移所需的时间，对提高算法的时间效率具有重要的意义。状态转移主要有两个部分构成：1进行决策：通过当前状态和选取的决策计算出需要引用的状态。2计算递推式： 根据递推式计算当前状态值。其中主要操作是常数项的计算。本节将分别讨论提高这两部分时间效率的一些方法。1、减少决策时间例七、 LOSTCITY (NOI2000) 问题描述 现给出一张单词表、特定的语法规则和一篇文章：文章和

38、单词表中只含26 个小写英文字母az 。单词表中的单词只有名词，动词和辅词这三种词性，且相同词性的单词互不相同。单词的长度均不超过20。语法规则可简述为：名词短语： 任意个辅词前缀接上一个名词；动词短语：任意个辅词前缀接上一个动词；句子：以名词短语开头，名词短语与动词短语相间连接而成。文章的长度不超过1000。且已知文章是由有限个句子组成的，句子只包含有限个单词。编程将这篇文章划分成最少的句子，在此前提之下，要求划分出的单词数最少。算法分析 这是也是一道动态规划问题。我们分别用v,u,a表示动词， 名词和副词， 给出的文章用名师资料总结 - - -精品资料欢迎下载 - - - - - - -

39、- - - - - - - - - - - 名师精心整理 - - - - - - - 第 12 页，共 16 页 - - - - - - - - - 福州第三中学毛子青第 13 页 / 共 16 页L1.M表示，则状态表示描述为：F(v,i) ：表示 L 前 i 个字符划分为以动词结尾（当iM 时，可带任意个辅词后缀）的最优分解方案下划分的句子数与单词数；F(u,i) ：表示L 前 i 个字符划分为以名词结尾（当iM时，可带任意个辅词后缀）的最优分解方案下划分的句子数与单词数。过去的分解方案仅通过最后一个非辅词的词性影响以后的决策，所以这种状态表示满足无后效性，状态转移方程为：F(v,i)=m

40、in F(n,j)+(0,1)， L(j+1.i)为动词；F(v,j)+(0,1)， L(j+1.i) 为辅词， iM ； F(n,i)=min F(n,j)+(1,1), L(j+1.i) 为名词；F(v,j)+(0,1), L(j+1.i)为名词；F(n,j)+(0,1), L(j+1.i)为辅词， iM ； 边界条件： F(v,0)=(1,0)；F(n,0)=( , )；问题的解为： min F(v,M), F(u,M) ；上述算法中， 状态总数为O(M) ， 每个状态转移的状态数最多为20，在进行状态转移时，需要查找 Lj+1.i的词性， 根据其词性做出相应的决策，并引用相应的状态。下

41、面就通过不同的方法查找Lj+1.i的词性，比较它们的时间复杂度。算法实现 设单词表的规模为N，首先我们对单词表进行预处理，将单词按字典顺序排序并合并具有多重词性的单词。在查找词性时有以下几种方法：方法 1、采用顺序查找法。最坏情况下需要遍历整个单词表，因此最坏情况下的时间复杂度为 O(20*N*M)，比较次数最多可达1000*5k*20=108，当数据量较大时效率较低。方法 2、采用二分查找法。最坏情况下的时间复杂度为O(20*M*log2N)，最多比较次数降为 5k*20*log21000=106，完全可以忍受。集合查找最为有效的方法要属采用哈希表了。方法 3、采用哈希表查找单词的词性。首先

42、将字符串每四位折叠相加计算关键值k，然后用双重哈希法计算哈希函数值h(k) 。采用这种方法， 通过 O(N) 时间的预处理构造哈希表，每次查找只需O(1) 的时间，因此，算法的时间复杂度为O(20*M+N)=O(M)。采用哈希表是进行集合查找的一般方法，对于以字符串为元素的集合还有更为高效的方法，即采用检索树3。方法四、 采用检索树查找单词的词性。由于每个状态在进行状态转移时需要查找的所有单词都是分布在同一条从树根到叶子的路径上的，因此，如果选取从树根走一条路径到叶子作为基本操作，则每个状态进行状态转移时的最多20 次单词查找只需O(1)的时间，另外，建立检索树需要O(N) 的时间，因此，算法

43、总的时间复杂度虽然仍为O(M) ，但是由于时间复杂度的常数因子小于方法三，因此实际测试的速度也最快。（程序及四种方法的运行结果的比较见附件）从本题的优化过程可以看出：采用正确的数据结构是算法优化的重要原则，在动态规划算法的优化中也同样适用。方法3 使用了哈希表这一高效的集合查找数据结构，方法四使用的针对性更强的检索树，使得算法的时间效率得到了提高。2、减少计算递推式的时间计算递推式的主要操作是对常数项的计算，因此减少计算递推式所需的时间主要是指减名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - -

44、 - 第 13 页，共 16 页 - - - - - - - - - 福州第三中学毛子青第 14 页 / 共 16 页少计算常数项的时间。例八、公路巡逻(CTSC2000) 问题描述 在一条没有分岔的公路上有n（n50 ） 个关口， 相邻两个关口之间的距离都是10km 。所有车辆在这条公路上的最低速度为60km/h，最高速度为120km/h，且只能在关口出改变速度。有 m(m 300) 辆巡逻车分别在时刻Ti从第 ni个关口出发，匀速行驶到达第ni+1个关口，路上耗费时间为ti秒。两辆车相遇指他们之间发生超车现象或同时到达某个关口。求一辆于6 点整从第 1 个关口出发去第n 个关口的车（称为目

45、标车）最少会与多少辆巡逻车相遇，以及在此情况下到达第n 个关口的最早时刻。假设所有车辆到达关口的时刻都是整秒。算法分析 本题也是用动态规划来解。问题的状态表示描述为：F(i,T) 表示在时刻T 到达第 i 个关口的途中最少已与巡逻车相遇的次数。则状态转移方程和边界条件为：F(i,T)=minF(i-1,T-Tk)+w(i-1,T-Tk,T)，300 Tk 600 2in 边界条件： F(1,06:00:00)=0; 问题的解为： minF(n,T) 其中，函数w(i-1,T-Tk,T)是计算目标车于时刻T-Tk 从第 i-1 个关口出发，于时刻T到达第 i 个关口，途中与巡逻车相遇的次数。下面

46、来分析上述算法的时间复杂度，问题的阶段数为n ，第i 个阶段的状态数为(i-1)*300，则状态总数为：)150()2)1(*300()300*)1(21nOnnOiOni，每个状态转移的状态数为300 ，每次状态转移所需的时间关键取决与函数w 的计算。下面比较采用不同的计算方法时，时间复杂度的差异。函数 w 的计算 方法 1、在每个决策中都进行一次计算，对所有从第i 个关口出发的巡逻车进行判断，这样平均每次状态转移的时间为O(1+m/n)，由 M 的最大值为300 ，算法总的时间复杂度为：nmOnmnmOnmnO3322222)1(*300*150方法 2、仔细观察状态转移方程可以发现，在对

47、状态F(i,T) 进行转移时，所计算的函数w 都是从第i 个关口出发的，而且出发时刻都是T，只是相应的到达时刻不同，我们考虑能否找出它们之间的联系，从而能够利用已经得出的结果，减少重复运算。我们来考虑w(i,T ,k) 与 w(i,T ,k+1)之间的联系：对于每辆从第i 个关口出发的巡逻车，设其出发时刻和到达时刻分别为Stime和名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 14 页，共 16 页 - - - - - - - - - 福州第三中学毛子青第 15 页 / 共 16

48、页Ttime ，则：若 Ttimek+1，则目标车A、目标车 B 与该巡逻车的相遇情况相同；若 Ttime=k，则目标车A 与该巡逻车相遇， 对目标车 B 的分析又分为： 若 Stime T，则目标车B 不与该巡逻车相遇，否则目标车B 也与该巡逻车相遇；若 Ttime=k+1,则目标车B 与该巡逻车相遇，对目标车A 的分析又分为：若Stime T，则目标车A 不与该巡逻车相遇，否则目标车A 也与该巡逻车相遇；我们令 k=wi,T,k+1-wi,T,k ，由上述讨论得：k=G(Ttime=k+1) and (StimeT) G(Ttime=k) and (Stime T). 其中函数 G(P)

49、表示所有从i 个关口出发，且满足条件P 的巡逻车的数目。这样我们就找到了函数w 之间的联系。于是，我们在对状态F(i,T) 进行转移时，先对所有从第i 个关口出发的巡逻车进行一次扫描，在求出wi,T ,T+300的同时求出T+301.T+600， 这 一 步 的 时 间 复 杂 度 为O(m/n)。 在 以 后 的 状 态 转 移 中 ， 由wi,T ,k+1=wi,T,k+k ，仅需 O(1) 的时间就可以求出函数值w，状态转移时间仅为O(1) 。则算法总的时间复杂度为：22222222)300(*150nmOnmnmOnmnO虽然， 算法时间复杂度的阶并没有降低，但由于 M 的最大值为30

50、0,N的最大值为50 ，所以实际测试中，优化的效果还是十分明显的。（程序及两种方法的运行结果比较见附件）本题对动态规划的优化实际上是应用了动态规划本身的思想，在计算递推式的常数项时，引进了函数，利用了过去的计算结果，避免了重复计算，消除了“冗余”，从而提高算法的时间效率。上文邮局问题中函数w 的计算也是通过预处理减少了重复计算，近来新出现的双重动态规划也是应用这个思想，利用动态规划计算递推式的常数项。可见， 这种优化方法是很有普遍性的。四、结语本文主要从减少状态总数，减少每个状态转移的状态数和减少状态转移的时间这三个方面讨论了对动态规划时间效率的优化，同时也间接地讨论了对一般算法进行优化的方法