什么是动态规划
- 在给定约束条件下,优化某指标。
- 一个问题可以不断分解为一个个子问题,并且这些子问题是独立的。
- 和排列组合有所不同:我们只关心最优解,因此我们只保留每个子问题的最优解,每个问题的最优解都可以由之前的问题的最优解决定。所以效率较高。
- 关键是使用状态转移表来找到状态转移方程:每种动态规划的解决方案都需要画网格(状态转移表)来观察,每个单元格都是一个子问题,单元格的值通常就是要优化的值。通过单元格,找出每个单元格最优解与其他单元格最优解之间的关系。
应用
- 一个问题有多种可能,看上去要使用排列组合的思想。但其实只需要求最优解(比如,最大值、最小值、最短子串、最长字串等)。
- 生物/医学:使用最长公共序列来确定DNA链的相似性,进而判断两种生物和疾病的相似性
- 工具:git diff
- 查询推荐:字符串比较/编辑距离
实例
背包问题
求两个字符串的编辑距离(Edit Distance):
- 上代码
import numpy as np
def get_str_distance(a,b):
if a is None or b is None:
return -1
state_transfer_table = np.full((len(a)+1,len(b)+1),-1) # 状态转移表,是一个二维数组
for i in range(len(a)+1):
state_transfer_table[i][0] = i
for j in range(len(b)+1):
state_transfer_table[0][j] = j
# print(state_transfer_table)
for i in range(len(a)):
for j in range(len(b)):
r = 1 if a[i]!=b[j] else 0
a_append = state_transfer_table[i][j+1]+1
b_append = state_transfer_table[i+1][j]+1
replace = state_transfer_table[i][j]+r
state_transfer_table[i+1,j+1] = min(a_append,b_append,replace)
# print(state_transfer_table)
print(state_transfer_table)
return state_transfer_table[len(a)][len(b)]
a = get_str_distance("guanpei","guan0peokk")
print(a)