算法设计第三章章后小结

计科2301周雨欣 2024-10-23 21:40:59

代码ruxai

根据上面代码的逻辑，我们可以将动态规划方程按照您要求的格式书写如下：

（1）状态表示：
a[i][j] 表示从网格的左上角 (1, 1) 到达位置 (i, j) 的最少总费用。

（2）状态方程：
对于网格中的每个位置 (i, j)（除了第一行和第一列），最少费用可以通过以下两种方式之一到达：

从上方位置 (i-1, j) 到达，费用为 a[i-1][j] + cost[i][j]（上方网格的最少费用加上当前网格的费用）。
从左侧位置 (i, j-1) 到达，费用为 a[i][j-1] + cost[i][j]（左侧网格的最少费用加上当前网格的费用）。

因此，状态方程为：
a[i][j] = min(a[i-1][j], a[i][j-1]) + cost[i][j]

注意：在实际代码中，cost[i][j] 直接由 a[i][j] 的初始值给出，因为代码在更新 a[i][j] 之前先读取了每个网格的费用。

（3）边界条件：

对于第一行（i = 1）的每个位置 j，只能从左侧到达，因此：
a[1][j] = a[1][j-1] + cost[1][j]（但实际上，在代码中，这是通过累加实现的，即 a[1][j] = a[1][j-1] + (当前读入的费用)，因为 a[1][j-1] 在此之前已经被更新为到达 (1, j-1) 的最少费用）。
对于第一列（j = 1）的每个位置 i，只能从上方到达，因此：
a[i][1] = a[i-1][1] + cost[i][1]（同样，在代码中这是通过累加实现的）。
对于左上角的起始位置 (1, 1)，它自己的费用就是到达它的最少费用，即 a[1][1] = cost[1][1]。

（4）时间、空间复杂度分析：

时间复杂度：由于需要遍历整个网格一次来计算每个位置的最少费用，因此时间复杂度为 O(N^2)，其中 N 是网格的大小。
空间复杂度：使用一个二维数组 a[105][105] 来存储每个位置的最少费用，因此空间复杂度也是 O(N2)。

结合对动态规划法的学习，以下是我对动态规划法的体会和思考：

体会

问题分解与状态表示：
动态规划的核心在于将复杂问题分解为更小的子问题，并通过状态来表示这些子问题的解。每个状态都代表了问题在某个特定阶段的情况，通过逐步求解这些状态，最终可以得到整个问题的解。
最优子结构与重叠子问题：
动态规划适用的问题通常具有最优子结构和重叠子问题的特点。最优子结构意味着问题的最优解可以由其子问题的最优解构造得到；重叠子问题则意味着在求解过程中，很多子问题会被重复求解多次。动态规划通过记忆化（即存储已求解的子问题的解）来避免这种重复计算，从而显著提高效率。
状态转移方程：
动态规划的关键在于建立状态转移方程，它描述了如何从已知状态推导出新状态。状态转移方程通常基于问题的具体特征和约束条件来构建，是求解动态规划问题的核心步骤。
边界条件：
在动态规划中，边界条件的处理至关重要。它们为递归或迭代过程提供了初始值或基准情况，确保算法能够正确运行并找到问题的解。
自底向上与自顶向下：
动态规划有两种主要的实现方式：自底向上（迭代）和自顶向下（递归+记忆化）。自底向上方法从最小规模的问题开始逐步求解，直到得到整个问题的解；而自顶向下方法则从整个问题开始，通过递归调用逐步分解问题，并利用记忆化来存储和重用子问题的解。两种方法各有优缺点，选择哪种取决于问题的具体特征。

思考

问题识别与适用性：
在应用动态规划之前，首先需要识别问题是否适合用动态规划来解决。这通常涉及到分析问题的最优子结构和重叠子问题特征。如果问题不具备这些特征，那么动态规划可能不是最有效的解决方案。
状态空间与状态表示：
动态规划的状态空间可能非常大，甚至可能是无限的（例如，在某些组合优化问题中）。因此，在构建状态表示时，需要仔细考虑如何有效地压缩状态空间，以减少计算量和存储需求。这可能需要利用问题的特定性质或约束条件来简化状态表示。
算法优化与性能分析：
动态规划算法的性能取决于状态空间的大小和状态转移方程的复杂度。在实际应用中，可能需要通过优化状态表示、减少状态转移的数量或利用问题的对称性等方式来提高算法的效率。同时，也需要对算法的性能进行仔细分析，以确保其在实际应用中具有可行性。
与其他方法的结合：
动态规划并不是解决所有问题的万能方法。在某些情况下，与其他算法（如贪心算法、回溯算法、分支定界等）结合使用可能更有效。因此，在解决实际问题时，需要根据问题的具体特征选择最合适的算法或算法组合。
实现细节与调试：
在实现动态规划算法时，需要注意细节问题，如数组越界、初始化错误等。这些问题可能导致算法无法正确运行或得到错误的结果。因此，在编写代码时，需要仔细考虑这些问题，并进行充分的测试和调试。同时，也需要关注算法的空间复杂度，以确保其在实际应用中具有可行性。