区间DP之矩阵连乘

给定不超过100个矩阵,目标是求它们相乘的最小计算次数。矩阵相乘次数由矩阵的行和列决定。通过动态规划方法,使用状态转移方程f[i][j]=min(f[i][k]+f[k+1][j]+a[i][k].x*a[i][k].y*a[k+1][j].y)求解,并更新矩阵的行和列信息。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

题目描述:

给定n个矩阵,求这n个矩阵相乘的最小计算次数

其中矩阵相乘的次数计算为:

A1*A2=A1的行*A1的列*A2的列(A1的列保证=A2的行)

输入格式:

第一行为矩阵个数n(n<=100),以后第二行至n+1行为第i个矩阵的行与列

输出格式:

输出最小相乘次数

想法:

设f[i][j]为第i个矩阵乘到第j个矩阵的最小相乘次数

那么我们可以很简单的得到:f[i][j]=min(f[i][k]+f[k+1][j])(k∈[i,j])

那要怎么得到每一个f[i][k]和f[k+1][j]的值呢

开始的时候我的想法是将f数组定义为结构体,f[i][j].x为第i个矩阵乘到第j个矩阵结果的行,f[i][j].y为结果的列,最后用f[i][j].ans储存答案。

一秒钟后我就发现了这个想法非常捞,不仅麻烦而且是错的,会影响DP过程中每一步的结果

所以我们在读入的时候采用a[i][i].x和a[i][i].y来储存第i个矩阵的行和列,状态转移方程就写为:

f[i][j]=min(f[i][k]+f[k+1][j]+a[i][k].x*a[i][k].y*a[k+1][j].y)

然后如果f[i][j]被更新了,就将a[i][j].x赋值为a[i][k].x,a[i][j].y赋值为a[k+1][j].y,这可以用一个简单的if语句做到

最后附上代码:

#include<bits/stdc++.h>//请勿ctrl+c
using namespace std;
int n;
struct ss{
	int xx;
	int yy;
}a[1010][1010];
int f[1010][1010];//f[i][j]表示第i个至第j个矩阵相乘的最小值 
int main()
{
	scanf("%d",&n);
	memset(f,10,sizeof(f));//记得赋初值啊
	for (int i=1;i<=n
### 动态规划解决矩阵连乘问题 #### 矩阵连乘问题概述 矩阵连乘问题是经典的动态规划问题之一,其目标是在给定一系列矩阵的情况下,通过合理安排括号的位置来减少总的乘法操作数。假设我们需要计算 $ A_1 \times A_2 \times ... \times A_n $ 的结果,其中每个矩阵 $ A_i $ 的维度为 $ p_{i-1} \times p_i $。不同的加括号方式会导致不同的计算量。 #### 核心思想 为了找到最优的加括号方案,我们可以采用动态规划的思想。具体来说: - 定义状态 `dp[i][j]` 表示从第 $ i $ 个矩阵到第 $ j $ 个矩阵之间的最小乘法次数。 - 初始条件:当 $ i = j $ 时,$ dp[i][i] = 0 $,因为单个矩阵不需要任何乘法。 - 转移方程: 对于每一个可能的分割点 $ k $ ($ i \leq k < j $),尝试将区间分成两部分并分别计算它们的乘法次数: $$ dp[i][j] = min(dp[i][k] + dp[k+1][j] + p_{i-1} \cdot p_k \cdot p_j) $$[^1] #### 实现细节 以下是基于 C++ 的实现代码,展示了如何使用动态规划求解矩阵连乘问题: ```cpp #include <iostream> #include <vector> #include <climits> using namespace std; void MatrixChainOrder(vector<int> &p, vector<vector<int>> &m, vector<vector<int>> &s) { int n = p.size() - 1; for (int i = 1; i <= n; ++i) { m[i][i] = 0; // 单个矩阵无需计算 } for (int length = 2; length <= n; ++length) { // 子链长度 for (int i = 1; i <= n - length + 1; ++i) { int j = i + length - 1; m[i][j] = INT_MAX; for (int k = i; k < j; ++k) { int cost = m[i][k] + m[k+1][j] + p[i-1] * p[k] * p[j]; if (cost < m[i][j]) { m[i][j] = cost; s[i][j] = k; // 记录最佳分割点 } } } } } // 打印最优括号化方案 void PrintOptimalParens(const vector<vector<int>> &s, int i, int j) { if (i == j) { cout << "A" << i; } else { cout << "("; PrintOptimalParens(s, i, s[i][j]); PrintOptimalParens(s, s[i][j]+1, j); cout << ")"; } } int main() { vector<int> p = {30, 35, 15, 5, 10, 20, 25}; // 矩阵维度序列 int n = p.size() - 1; vector<vector<int>> m(n+1, vector<int>(n+1)); // 最少乘法次数表 vector<vector<int>> s(n+1, vector<int>(n+1)); // 分割点表 MatrixChainOrder(p, m, s); // 填充表格 cout << "最少乘法次数:" << m[1][n] << endl; cout << "最优括号化方案:"; PrintOptimalParens(s, 1, n); cout << endl; return 0; } ``` #### 关键点解析 1. **状态定义**:`dp[i][j]` 表示从第 $ i $ 个矩阵到第 $ j $ 个矩阵间的最小乘法次数。 2. **转移方程**:通过枚举所有可能的分割点 $ k $ 来更新 `dp[i][j]` 的值。 3. **复杂度分析**:时间复杂度为 $ O(n^3) $,空间复杂度为 $ O(n^2) $。这是因为需要填充一个大小为 $ n \times n $ 的二维数组,并且对于每个子问题都需要枚举所有的分割点。 #### 输出解释 程序会输出两个主要结果: - 最小乘法次数:这是整个矩阵链相乘所需的最少乘法操作数。 - 最优括号化方案:展示具体的加括号顺序以达到最小乘法次数的目标。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值