Dynamic Programming (2)
by music960633
課程內容 課程內容
• LIS
• LCS
• 空間優化
• 背包問題
• 換零錢問題
LIS LIS
• Longest Increasing Subsequence ( 最長遞增子序列 )
• 子序列:從原本序列中挑幾個數字出來,不改變前後順序而產生 的序列
• ex: arr[] = {1,5,2,4,6,3} ,則 {1,6,3} 、 {5,2,4,3} 皆是 arr 的子 序列
• LIS :所有遞增的子序列中,最長的子序列,以上面的例子來說
, {1,5,2,4,6,3} 的 LIS 為 {1,2,4,6} ( 可能不唯一 )
• 本題只需要求出最長子序列的長度即可
LIS LIS
• 定義狀態
• f(n) 為從 arr[1] 到 arr[n] 中取出數字,且以 arr[n] 做結尾的最大遞增 子序列長度
• ex: arr[] = {1,5,2,4,6,3} , 則 f(1~6) = {1,2,2,3,4,3}
• 狀態轉移
• 若 i<n 且 arr[i]<arr[n] ,則可以將以 arr[i] 為結尾的最大遞增子序列 接上 arr[n] ,形成一個長度為 f(i)+1 的子序列
• f(n) 為試過所有 i 之後的最大值
• f(n)=max(f(i))+1, for all i<n and arr[i]<arr[n]
LIS LIS
• 最後答案
• max(f(i)), i=1 to N
• 空間複雜度 ( 狀態數 )
• O(n)
• 時間複雜度
• n 個狀態,每個狀態轉移 O(n)
• O(n2)
LIS 的優化 LIS 的優化
• 已知 LIS 有 O(n2) 的演算法,是否能做到更快呢?
• f(n)=max(f(i))+1, for all i<n and arr[i]<arr[n]
• 觀察到,對於任一個位置 i ,若存在 j 使得
arr[j]≦arr[i]
且d p[j]≧dp[i]
,則 dp[i] 永遠不會被用到arr 1 3 2 5 4
dp 1 2 2 3
LIS 優化 LIS 優化
• 因此,我們可以另外開一個陣列 (tmp) ,記錄「有可能被取到的 arr[i] 及 dp[i] 」
• 又,因為 LIS 長度每次只會加 1 ,因此可以再簡化成只記錄 arr 的值即可。此時,
tmp[i]=min(arr[j]), where dp[j]=i
arr 1 3 2 5 4
dp 1 2 2 3
tmp
(arr,dp) (1,1) (2,2) (5,3)
LIS 優化 LIS 優化
• 因此,我們可以另外開一個陣列 (tmp) ,記錄「有可能被取到的 arr[i] 及 dp[i] 」
• 又,因為 LIS 長度每次只會加 1 ,因此可以再簡化成只記錄 arr 的值即可。此時,
tmp[i]=min(arr[j]), where dp[j]=i
• 我們可以發現, tmp 內的元素是嚴格遞增的!
arr 1 3 2 5 4
dp 1 2 2 3
tmp 1 2 5
LIS 優化 LIS 優化
• 於是,狀態轉移式可以變成:
• f(n)=i+1,
where tmp[i] < arr[n] and tmp[i+1] ≧ arr[n]
• 由於 tmp 為嚴格遞增,可以用二分搜在 log(n) 時間內得到 i 值
,也就是說,此狀態轉移為 O(log(n))
• 於時我們得到了一個 O(n*log(n)) 的 LIS 演算法!
LCS LCS
• Longest Common Subsequence ( 最長共同子序列 )
• ex: s1[] = “abcabc”, s2[] = “abbcad”, 則 LCS 為 “ ab ca”, “abbc”,... 等,長度為 4
• 本題只需要求出 LCS 的長度即可
LCS LCS
• 定義狀態
• f(n,m) 表示 s1[0~n] 和 s2[0~m] 的 LCS 長度
• 最後答案為 f(N-1,M-1)
• 對於 f(n,m) ,考慮 s1[n] 和 s2[m] ,此時分成幾種 case
• s1[n] 和 s2[m] 都是 LCS 的一部分,則因為這兩個字元都是字串的最後一 個字元, s1[n]=s2[m] ,剩下的 LCS 則在 s1[0~n-1] 和 s2[0~m-1] 。因 此, f(n,m) = f(n-1,m-1) + 1
• 只有 s1[n] 是 LCS 的一部分,則表示 s2[m] 沒有貢獻, f(n,m)=f(n,m-1)
• 只有 s2[m] 是 LCS 的一部分,則 f(n,m)=f(n-1,m)
• s1[n] 和 s2[m] 都不是 LCS 的一部分,則 f(n,m)=f(n-1,m-1)
LCS LCS
• 定義狀態
• f(n,m) 表示 s1[0~n] 和 s2[0~m] 的 LCS 長度
• 最後答案為 f(N-1,M-1)
• 狀態轉移
• f(n,m)=max(f(n-1,m-1)+1,f(n-1,m),f(n,m-1),f(n-1,m-1)), if s1 [n]=s2[m]
• f(n,m)=f(n-1,m-1)+1, if s1[n]=s2[m]
• f(n,m)=max(f(n-1,m),f(n,m-1),f(n-1,m-1)), if s1[n]!=s2[m]
• f(n,m)=max(f(n-1,m),f(n,m-1)), if s1[n]!=s2[m]
LCS LCS
• 定義狀態
• f(n,m) 表示 s1[0~n] 和 s2[0~m] 的 LCS 長度
• 最後答案為 f(N-1,M-1)
• 狀態轉移
• f(n,m)=f(n-1,m-1)+1, if s1[n]=s2[m]
• f(n,m)=max(f(n-1,m),f(n,m-1)), if s1[n]!=s2[m]
• O(1) 轉移
• 時間複雜度
• 狀態 O(n2)* 轉移 O(1)=O(n2)
LCS LCS
• 用 LIS 做 LCS
• ex: s1[] = “abc”, s2[] = “bac”
• 記錄每個字元在 s1 出現的位置
• a: 0
• b: 1
• c: 2
• 接著將 s2 的字元換成上一步中對應的數字
• “bac” => {1,0,2}
• 然後對這個序列做 LIS ,結果就是原本兩個字串的 LCS
• LIS = {1,2} or {0,2}
• 對應到 “ bc” or “ac”
LCS LCS
• 用 LIS 做 LCS
• 如果一個字元在 s1 有重複出現呢?
• ex: s1[] = “abcabc”, s2[] = “abbcad”
• 記錄出現位置
• a: 0,3
• b: 1,4
• c: 2,5
• 由大到小排列
• 避免相同的字元被算兩次
• {3,0,4,1,4,1,5,2,3,0}
• LIS: {0,1,2,3} ,長度為 4
空間優化 空間優化
• 給一個 N*M 的矩形,每格內有一個數字。由左上走到右下,且只 能往右走和往下走的路徑中,總和最大為多少?
• 定義狀態
• f(i,j) 為走到點 (i,j) 時,路徑的最大值
• 狀態轉移
• f(i,j)=max(f(i-1,j),f(i,j-1))+a[i][j]
• 最後答案
• f(N,M)
空間優化 空間優化
• 如何儲存狀態?
• 開一個 N*M 的二維陣列
• 能不能開少一點?
• 注意到 f(n,?) 只會用到 f(n-1,?) 和 f(n,?)
• 不會用到 f(n-2,?) 、 f(n-3,?) 等狀態!
• 滾動數組
• 壓成 1 維陣列
空間優化 空間優化
• 只開兩個陣列,做完一次之後將結果複製到原本的陣列
i=n-1
i=n i=n
i=n+1
空間優化 空間優化
• 滾動數組:兩個陣列交替使用
• dp[i][j]=max(dp[i-1][j],dp[i][j-1])+a[i][j]
• dp[i%2][j]=max(dp[(i+1)%2][j],dp[i%2][j])+a[i][j]
i=n i=n-1 i=n+1 i=n+2
空間優化 空間優化
• 只使用 1 維陣列
• 注意到,每個狀態 (
紅色
) 只會使用到上面一格和左邊一格的狀 態 (藍色
)• 開一個一維陣列表示右圖中綠色格子的值: dp[j]
空間優化 空間優化
• dp[j]=max(dp[j-1],dp[j])+a[i][j]
空間優化 空間優化
• 當轉移式為 f(i,j)=min(f(i,j+1),f(i-1,j))+a[i][j]
• dp[j]=min(dp[j+1],dp[j])+a[i][j]
• j 由 M 掃到 1
空間優化 空間優化
• 當轉移式為 f(i,j)=min(f(i-1,j),f(i-1,j-1))+(i+j)
• dp[j]=min(dp[j],dp[j-1])+(i+j)
• j 由 M 掃到 1
0/1 背包問題 0/1 背包問題
• 有一個可以耐重 W 的背包,及 N 個物品,每個物品有各自的重量 wi 和價值 vi ,求在不超過重量限制的情況下往背包塞盡量多的東 西,總價值最大為多少?
• 如果 wi 和 vi 都很大,則此問題為一 NP 問題,但如果範圍較小,
則可以用 DP 的方法解決
• 暴力法
:窮舉 2N 種可能的取法,找重量小於 W 的 vi 總合最大值0/1 背包問題 0/1 背包問題
• 定義狀態
• f(n,m) 表示從前 n 個物品中選出重量總和恰為 m 的物品時,價值總合的 最大值。若不存在一種取法使得重量為 m ,則 f(n,m)=-INF( 或是其他數 值,如 -1)
• 狀態數: N*W ( 重量超過 W 就不需要考慮了 )
• 狀態轉移
• 從前 n 樣物品中選擇物品的最佳方案,一定是「有選到第 n 樣物品」和
「沒選到第 n 樣物品」其中一個 ( 或者兩者一樣好 )
• 如果最佳方案包含第 n 樣物品,則此最佳方案必為「選擇第 n 樣物品」
及「從前 n-1 項物品中取出重量為 m-wn 的最佳方案」,因此可以得到 f (n,m) = f(n-1,m-wn)+vn
• 如果最佳方案不包含第 n 樣物品,則 f(n,m) = f(n-1,m)
0/1 背包問題 0/1 背包問題
• 狀態轉移
• f(n,m) = max(f(n-1,m), f(n-1,m-wn)+vn), m ≧ wn
• f(n,m) = f(n-1,m), m < wn
• 初始條件
• f(0,0) = 0
• f(0,k) = -INF, for k>0
• 最後答案
• max(f(N,k)), 0 ≦ k ≦ W
0/1 背包問題 0/1 背包問題
• 實做
• 注意到, f(n,m) 只依賴於 f(n-1,m) 及 f(n-1,m-wn)
• 滾動數組
• dp[n%2][m]=max(dp[(n+1)%2][m], dp[(n+1)%2][m-w[n]]+v[n])
• 開一維陣列
• m 從 M 跑到 0
• dp[m]=max(dp[m], dp[m-w[n]]+v[n])
• 時間複雜度
• O(NW) , N 為物品個數, W 為背包重量上限
0/1 背包問題 0/1 背包問題
• 另解
• 定義狀態
• f(n,m) 表示從前 n 個物品中選出價值總和恰為 m 的物品時,重量總合的 最小值。若不存在一種取法使得價值為 m ,則 f(n,m)=INF
• 狀態數: N*V (V 為所有物品總合 )
• 狀態轉移
• 如果最佳方案包含第 n 樣物品,則此最佳方案必為「選擇第 n 樣物品」
及「從前 n-1 項物品中取出價值為 m-vn 的最佳方案」,因此可以得到 f (n,m) = f(n-1,m-vn)+wn
• 如果最佳方案不包含第 n 樣物品,則 f(n,m) = f(n-1,m)
0/1 背包問題 0/1 背包問題
• 狀態轉移
• f(n,m) = min(f(n-1,m), f(n-1,m-vn)+wn), m ≧ vn
• f(n,m) = f(n-1,m), m < vn
• 初始條件
• f(0,0) = 0
• f(0,k) = INF, for k>0
• 最後答案
• max(k), for all 0 ≦ f(N,k) ≦ W
• 時間複雜度
• O(NV) , N 為物品個數, V 為物品價值總合
0/1 背包問題 0/1 背包問題
• 比較兩種做法
• 用重量做為狀態
• 空間複雜度: O(W)
• 時間複雜度: O(NW)
• 限制: W 不能太大
• 用價值做為狀態
• 空間複雜度: O(V)
• 時間複雜度 : O(NV)
• 限制: V 不能太大
無限背包問題 無限背包問題
• 有一個可以耐重 W 的背包,及 N 種物品,每種物品有各自的重量 wi 和價值 vi ,且數量為無限多,求在不超過重量限制的情況下往 背包塞盡量多的東西,總價值最大為多少?
• 定義狀態
• f(n,m) 表示從前 n 種物品中選出重量總和恰為 m 的物品時,價值總合的 最大值。若不存在一種取法使得重量為 m ,則 f(n,m)=-INF
無限背包問題 無限背包問題
• 狀態轉移
• 從前 n 樣物品中選擇物品的最佳方案,一定是「第 n 樣物品取了 0 個」
、 「第 n 樣物品取了 1 個」 ... 「第 n 樣物品取了 k 個」中的最佳方案
,其中 k 為滿足 wi*k ≦ m 的最大可能值
• f(n,m)=max(f(n-1,m),
f(n-1,m-wn)+vn, f(n-1,m-2*wn)+2*vn,
...,
f(n-1,m-k*wn)+k*vn )
• 整理之後得到 f(n,m)=max(f(n-1,m), f(n,m-wn)+vn)
無限背包問題 無限背包問題
• 實做
• 注意到, f(n,m) 只依賴於 f(n-1,m) 及 f(n,m-wn)
• 滾動數組
• dp[n%2][m]=max(dp[(n+1)%2][m], dp[n%2][m-w[n]]+v[n])
• 開一維陣列
• m 從 0 跑到 M
• dp[m]=max(dp[m], dp[m-w[n]]+v[n])
• 時間複雜度
• O(NW) , N 為物品個數, W 為背包重量上限
有限背包問題 有限背包問題
• 有一個可以耐重 W 的背包,及 N 種物品,每種物品有各自的重量 wi 和價值 vi ,且數量為 ki
個,求在不超過重量限制的情況下往
背包塞盡量多的東西,總價值最大為多少?• 做法:將 ki 個相同物品視為不同物品,做 0/1 背包,時間複雜度 為 O(NWK) ,其中 K 為重複數量的最大值
有限背包問題 有限背包問題
• 另一種做法
• 狀態轉移
• f(n,m)=max(f(n-1,m), f(n-1,m-wn)+vn, f(n-1,m- 2*wn)+2*vn,...,f(n-1,m-k*wn)+k*vn), where k ≦ ki
• O(K) 轉移
• 時間複雜度還是 O(NWK)
• 更快的做法將在之後的課程中提到,有限背包問題有時間複雜度 O(NW*log K) 及 O(NW) 的做法
換零錢問題 換零錢問題
• 有 N 個不同的銅板,面額分別為 c[1~N] ,問
• 1. 能不能湊出恰好 M 元?
• 2. 如果可以,共有幾種方法?
• 3. 如果可以,最少需要用幾個銅板?
• 4. 能不能分成兩堆,使得兩堆的總和相等?
• 5. 能不能分成兩堆,使得兩堆的總和為 x:y ?
• 6. ...
換零錢問題 換零錢問題
• 其實這根本是弱化版的背包問題!
• 可以想成每樣物品有重量 c[i] ,價值為 1
• 1. 能不能湊出恰好 M 元?
• 因為只問「能不能湊出」,因此只需要開 bool 陣列就可以了
• f(n,m) = f(n-1,m) OR f(n-1,m-c[n])
• 2. 湊出 M 元的方法數有幾種?
• f(n,m) = f(n-1,m) + f(n-1,m-c[n])
換零錢問題 換零錢問題
• 3. 湊出 M 元需要最少的銅板數是幾個?
• 完全是背包問題,只是最大值改成最小值
• f(n,m) = min(f(n-1,m), f(n-1,m-c[n])+1)
• 4. 能不能分成兩堆,使得兩堆總和相等?
• 只要看能不能湊出 sum(c[i])/2 元就可以了
• 5. 能不能分成兩堆,使得兩堆總和為 x:y ?
• 只要看能不能湊出 sum(c[i])*x/(x+y) 元就可以了