DP算法的分析(基于一个例题)

1. 对于DP算法的理解

先看例题:

问题描述
  小蓝在一个 n 行 m 列的方格图中玩一个游戏。
  开始时,小蓝站在方格图的左上角,即第 1 行第 1 列。
  小蓝可以在方格图上走动,走动时,如果当前在第 r 行第 c 列,他不能走到行号比 r 小的行,也不能走到列号比 c 小的列。同时,他一步走的直线距离不超过3。
  例如,如果当前小蓝在第 3 行第 5 列,他下一步可以走到第 3 行第 6 列、第 3 行第 7 列、第 3 行第 8 列、第 4 行第 5 列、第 4 行第 6 列、第 4 行第 7 列、第 5 行第 5 列、第 5 行第 6 列、第 6 行第 5 列之一。
  小蓝最终要走到第 n 行第 m 列。
  在图中,有的位置有奖励,走上去即可获得,有的位置有惩罚,走上去就要接受惩罚。奖励和惩罚最终抽象成一个权值,奖励为正,惩罚为负。
  小蓝希望,从第 1 行第 1 列走到第 n 行第 m 列后,总的权值和最大。请问最大是多少?
输入格式
  输入的第一行包含两个整数 n, m,表示图的大小。
  接下来 n 行,每行 m 个整数,表示方格图中每个点的权值。
输出格式
  输出一个整数,表示最大权值和。

样例输入
3 5
-4 -5 -10 -3 1
7 5 -9 3 -10
10 -2 6 -10 -4
样例输出
15

 1.1 问题的分析

    从“小蓝可以在方格图上走动,走动时,如果当前在第 r 行第 c 列,他不能走到行号比 r 小的行,也不能走到列号比 c 小的列。同时,他一步走的直线距离不超过3。”这句话,可以感觉到有规律可循!!

所谓的规律,就是某一点的权值 = 前一种(最佳)方法的权值 + 该点的权值

   上述的最佳方法可以分为4类:

1. 列左移0~3 位;而行不动;

2.列左移0~2位;行确定向下移动1位;

3.列左移0~1位;行确定向下移动2位;

4. 行向下移动3位;而列不动

(注:可能这里有人问,是不是漏了“行向下移动1位,列左移1位的情况”等这类情况;

其实:这类情况全被包含在了2、3两种情况里面。希望读者仔细思考)

1.2 代码(c/c++)

#include<iostream>
#include <algorithm>
#include <math.h>
using namespace std;

#define N 102
int dp[N][N];
int weigh[N][N] = {0};  //存储输入的权重值


void DP(int k ,int f)  //k:行 ; f:列
{

    if(k == 1 && f == 1)
    {
       dp[1][1] = weigh[1][1];
    }
    else
    {


        int max_num = -20000;

        for(int i = 1 ; i<= 3 ; i++)  // dp[n][m - 0123]
        {
            if((f - i) > 0 )
                max_num = max(max_num,dp[k][f - i]);
        }

        for(int i = 0 ; i<= 2 ; i++)  // dp[n - 1][m - 012]
        {
            if((f - i) > 0 && (k - 1) >0 )
                max_num = max(max_num,dp[k- 1][f - i]);
        }

        for(int i = 0 ; i<= 1 ; i++)  // dp[n - 2][m - 01]
        {
            if((f - i) > 0 && (k - 2)>0 )
                max_num = max(max_num,dp[k-2][f - i]);
        }

        if((k - 3)>0) // dp[n - 3][m]
        {
            max_num = max(max_num,dp[k - 3][f]);
        }


        dp[k][f] = weigh[k][f] + max_num;
    }

}


int main()
{
    int n,m;   //确定行和列
    scanf("%d%d",&n,&m);

    //输入权重值
    for(int i = 1 ; i<=n ; i++)
        for(int j = 1 ; j<=m ;j++)
    {
        scanf("%d",&weigh[i][j]);
    }

    for(int i = 1 ; i<=n ; i++)
        for(int j = 1 ; j<=m ;j++)
        {
            DP(i,j);
        }

    /*
    for(int i = 1 ; i<=n ; i++)
   {

        for(int j = 1 ; j<=m ;j++)
            cout << dp[i][j]<< ' '  ;
            cout <<endl;
   }
   */

   cout <<dp[n][m];

    return 0 ;
}

1.3 总结

对于能够找到前后两个状态之间规律的情况,我们可以考虑用动态规划(DP)算法。该算法主要是寻找 :后一状态  和 前一状态的联系,并且,前一状态是可以求得结果的

博主也是新手,想通过这种方式加深自己的影响,如有欠缺的地方,还望读者提醒,我会及时更改!!

由于当前未提供关于《算法设计与分析》第三章例题19的具体内容或描述,以下是基于一般教材中常见的第三章主题(通常涉及动态规划、贪心算法或其他优化方法)所推测的内容框架。如果具体例题已知,请提供更多细节以便更精准作答。 --- ### 关于《算法设计与分析》第三章例题19的解答 #### 假设背景 假设该例题属于动态规划范畴,讨论如何通过子问题分解解决复杂问题。例如,可能是一个资源分配问题或者路径最短化问题。这类问题的核心在于状态转移方程的设计和边界条件的确立[^4]。 #### 动态规划通用思路 对于动态规划类问题,其核心要素包括以下几个方面: - **定义状态**:确定问题中的变量及其取值范围。 - **建立状态转移关系**:找到从前一阶段到当前阶段的状态变化规律。 - **初始化与边界条件**:设定初始状态以及特殊情况下的处理方式。 - **计算顺序**:按照依赖关系依次填充表格或数组。 以经典的背包问题为例,可以表示如下: ```cpp // 背包问题伪代码实现 int knapsack(int W, vector<int> weights, vector<int> values, int n) { // dp[i][w] 表示前i件物品放入容量为w的背包的最大价值 vector<vector<int>> dp(n + 1, vector<int>(W + 1, 0)); for (int i = 1; i <= n; ++i) { for (int w = 0; w <= W; ++w) { if (weights[i - 1] > w) { dp[i][w] = dp[i - 1][w]; } else { dp[i][w] = max(dp[i - 1][w], dp[i - 1][w - weights[i - 1]] + values[i - 1]); } } } return dp[n][W]; } ``` 上述代码展示了如何利用二维数组存储中间结果并逐步更新最优解的过程[^5]。 #### 如果是其他类型的算法 如果是贪心算法,则需证明局部最优能够推导全局最优;若是回溯法,则应关注剪枝策略的有效性。这些都需要依据实际题目特点灵活调整解决方案[^6]。 --- ###
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

打赏作者

羅float

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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