矩阵连乘 动态规划

本文介绍了一种使用动态规划算法确定矩阵链乘的最佳计算顺序的方法,以减少不必要的计算成本。通过实例展示了算法的具体实现过程。

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{A1,A2,…,An},其中Ai与Ai+1是可乘的,i=1,2 ,…,n-1。如何确定计算矩阵连乘积的计算次序,使得依此次序计算矩阵连乘积需要的数乘次数最少。例如:

  A1={30x35} ; A2={35x15} ;A3={15x5} ;A4={5x10} ;A5={10x20} ;A6={20x25} ;

最后的结果为:((A1(A2A3))((A4A5)A6))  最小的乘次为15125。

  解题思路:能用动态规划的一个性质就是最优子结构性质,也就是说计算A[i:j]的最优次序所包含的计算矩阵子琏A[i:k]和A[k+1:j]的次序也是最优的。动态规划算法解此问题,可依据其递归式以自底向上的方式进行计算(即先从最小的开始计算)。在计算过程中,保存已解决的子问题答案。每个子问题只计算一次,而在后面需要时只要简单查一下,从而避免大量的重复计算,最终得到多项式时间的算法。我们可以根据下面这个公式来计算结果。其中p[i-1]表示的是第i个矩阵的行数,p[k]表示i:k矩阵合起来后最后得到的列数,p[j]是k+1:j合起来后得到的列数。这个部分的计算方法其实就是计算两个矩阵相乘时总共的乘次数,自己琢磨琢磨就明白了。

从连乘矩阵个数为2开始计算每次的最小乘次数m[i][j]: m[0][1] m[1][2] m[2][3] m[3][4] m[4][5]  //m[0][1]表示第一个矩阵与第二个矩阵的最小乘次数

然后再计算再依次计算连乘矩阵个数为3:m[0][2] m[1][3] m[2][4] m[3][5]

            连乘矩阵个数为4:m[0][3] m[1][4] m[2][5]

          连乘矩阵个数为5:m[0][4] m[1][5]

          连乘矩阵个数为6:m[0][5]    //即最后我们要的结果

 

代码:

#include <stdio.h>
#include <stdlib.h>

#define MAX 100


int matrix_chain(int *p, int n, int **m, int **s)
{
    //a[][]最小乘次数
    //s[][]最小乘数时的断开点
    int i,j,r,k;
    
    for (i = 0; i < n; i++)   //单一矩阵的最小乘次都置为0
    {
        m[i][i] = 0;
    }
    
    for (r = 2; r <= n; r++)  //r为连乘矩阵的个数
    {
        for (i = 0; i <= n-r; i++)   //i表示连乘矩阵中的第一个
        {
            j = i + r -1;         //j表示连乘矩阵中的最后一个
            m[i][j] = 99999;
            for (k = i; k <= j-1; k++)  //在第一个与最后一个之间寻找最合适的断开点,注意,这是从i开始,即要先计算两个单独矩阵相乘的乘次
            {
                int tmp = m[i][k] + m[k+1][j] + p[i]*p[k+1]*p[j+1];
                if (tmp < m[i][j])
                {
                    m[i][j] = tmp;
                    s[i][j] = k;
                }
            }
        }
    }
    return m[0][n-1];
}

void print_chain(int i, int j, char **a,int **s)
{    //递归的方式来把最小乘数的表达式输出

    if (i == j)
    {
        printf("%s",a[i]);
    }
    else
    {
        printf("(");
        print_chain(i,s[i][j],a,s);
        print_chain(s[i][j]+1,j,a,s);
        printf(")");
    }
}

int main()
{
    //min_part[i][j]存储的是i+1到j+1的最小乘次,因为是从0开始
    //min_point[i][j]存储的是i+1到j+1之间最小乘次时的分割点
    int *p, **min_part, **min_point;
    char **a;
    int n = 6,i;
    int ret;
    
    p = (int *)malloc((n+1)*sizeof(int));
    a = (char **)malloc(n*sizeof(char*));
    min_part = (int **)malloc(n*sizeof(int *));
    min_point = (int **)malloc(n*sizeof(int *));
    
    for (i = 0; i < n; i++)
    {
        min_part[i] = (int *)malloc(n*sizeof(int));  
        min_point[i] = (int *)malloc(n*sizeof(int));
        a[i] = (char *)malloc(n*sizeof(char));
    }
    
    p[0] = 30;   //第一个矩阵的行数
    p[1] = 35;     //第二个矩阵的行数
    p[2] = 15;     //……
    p[3] = 5;     //……    
    p[4] = 10;     //……
    p[5] = 20;     //第六个矩阵的行数
    p[6] = 25;     //第六个矩阵的列数
    
    a[0] = "A1";
    a[1] = "A2";
    a[2] = "A3";
    a[3] = "A4";
    a[4] = "A5";
    a[5] = "A6";
    
    ret = matrix_chain(p,n,min_part,min_point);
    printf("Minest times:%d.\n",ret);
    print_chain(0,n-1,a,min_point);
    
    free(p);
    free(min_part);
    free(min_point);
    free(a);

    return 0;
}

2013/8/1 23:38

 

 

转载于:https://www.cnblogs.com/Jason-Damon/p/3231547.html

### 矩阵连乘问题的动态规划实现分析 #### 1. 问题描述 矩阵连乘问题是给定一系列矩阵 \( A_1, A_2, \ldots, A_n \),其维度分别为 \( p_0 \times p_1, p_1 \times p_2, \ldots, p_{n-1} \times p_n \)。目标是找到一种括号化的计算顺序,使得总的标量法次数最少。 为了达到这一目的,可以通过动态规划的方法来求解最优解[^1]。 --- #### 2. 动态规划的核心思想 动态规划的关键在于将原问题分解成若干子问题,并利用这些子问题的结果构建最终解。对于矩阵连乘问题: - 定义状态:设 \( m[i][j] \) 表示从第 \( i \) 到第 \( j \) 个矩阵所需的最小运算次数。 - 转移方程: 假设在位置 \( k \) 处断开,则有: \[ m[i][j] = \min_{i \leq k < j} (m[i][k] + m[k+1][j] + p_{i-1} \cdot p_k \cdot p_j) \] 这里的 \( p_{i-1}, p_k, p_j \) 是对应矩阵的维数[^3]。 - 边界条件:如果只有一个矩阵(\( i=j \)),则不需要任何运算,即 \( m[i][i]=0 \)。 --- #### 3. 算法实现 以下是基于上述理论的 Python 实现代码: ```python def matrix_chain_order(dimensions): n = len(dimensions) - 1 # 矩阵数量 INF = float('inf') # 初始化代价表和分割点表 m = [[0 for _ in range(n)] for __ in range(n)] s = [[0 for _ in range(n)] for __ in range(n)] # 枚举链长度 for chain_length in range(2, n + 1): # 链长度从2到n for i in range(n - chain_length + 1): j = i + chain_length - 1 m[i][j] = INF for k in range(i, j): cost = m[i][k] + m[k+1][j] + dimensions[i]*dimensions[k+1]*dimensions[j+1] if cost < m[i][j]: m[i][j] = cost s[i][j] = k # 记录最佳断点 return m, s # 打印最优加括号方式 def print_optimal_parens(s, i, j): if i == j: print(f"A{i}", end="") else: print("(", end="") print_optimal_parens(s, i, s[i][j]) print_optimal_parens(s, s[i][j]+1, j) print(")", end="") # 测试数据 dimensions = [30, 35, 15, 5, 10, 20, 25] m, s = matrix_chain_order(dimensions) print("\nMinimum number of multiplications:", m[0][-1]) # 输出最小法次数 print("Optimal Parenthesization:") print_optimal_parens(s, 0, len(dimensions)-2) # 输出最优括号化方案 ``` --- #### 4. 时间复杂度空间复杂度 - **时间复杂度**:由于需要填充一个大小为 \( O(n^2) \) 的表格,并且每次更新都需要考虑最多 \( O(n) \) 种可能性,因此总的时间复杂度为 \( O(n^3) \)[^2]。 - **空间复杂度**:存储两个二维数组 \( m \) 和 \( s \),故空间复杂度为 \( O(n^2) \)。 --- #### 5. 结果解释 运行以上程序后,可以获得两部分结果: 1. 最少的标量法次数; 2. 对应的最佳括号化表示形式。 例如,在测试数据 `dimensions=[30, 35, 15, 5, 10, 20, 25]` 下,输出如下: ``` Minimum number of multiplications: 15125 Optimal Parenthesization: ((A0(A1A2))((A3A4)A5)) ``` 这表明按照这种括号化的方式进行矩阵连乘可以达到最低的运算成本。 ---
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