动态规划

  动态规划(Dynamic Programming,DP)是一种将复杂问题分解成更小的子问题来解决的优化算法。下面有一些用动态规划来解决实际问题的算法:

最少硬币找零

  给定一组硬币的面额,以及要找零的钱数,计算出符合找零钱数的最少硬币数量。例如,美国硬币面额有1、5、10、25这四种面额,如果要找36美分的零钱,则得出的最少硬币数应该是1个25美分、1个10美分和1个1美分共三个硬币。这个算法要解决的就是诸如此类的问题。我们来看看如何用动态规划的方式来解决。

  对于每一种面额,我们都分别计算所需要的硬币数量。具体算法如下:

  1. 如果全部用1美分的硬币,一共需要36个硬币
  2. 如果用5美分的硬币,则需要7个5美分的硬币 + 1个1美分的硬币 = 8个硬币
  3. 如果用10美分的硬币,则需要3个10美分的硬币 + 1个5美分的硬币 + 1个1美分的硬币 = 5个硬币
  4. 如果用25美分的硬币,则需要1个25美分的硬币 + 1个10美分的硬币 + 1个1美分的硬币 = 3个硬币

  对应的示意图如下:

  方案4的硬币总数最少,因此为最优方案。

  具体的代码实现如下:

function minCoinChange(coins, amount) {
let result = null;
if (!amount) return result; const makeChange = (index, value, min) => {
let coin = coins[index];
let newAmount = Math.floor(value / coin);
if (newAmount) min[coin] = newAmount;
if (value % coin !== 0) {
makeChange(--index, value - coin * newAmount, min);
}
}; const arr = [];
for (let i = 0; i < coins.length; i++) {
const cache = {};
makeChange(i, amount, cache);
arr.push(cache);
} console.log(arr);
let newMin = 0;
arr.forEach(item => {
let min = 0;
for (let v in item) min += item[v];
if (!newMin || min < newMin) {
newMin = min;
result = item;
}
});
return result;
}

  函数minCoinChange()接收一组硬币的面额,以及要找零的钱数。我们将上面例子中的值传入:

const result = minCoinChange2([1, 5, 10, 25], 36);
console.log(result);

  得到如下结果:

[
{ '': },
{ '': , '': },
{ '': , '': , '': },
{ '': , '': , '': }
]
{ '': , '': , '': }

  上面的数组是我们在代码中打印出来的arr的值,用来展示四种不同面额的硬币作为找零硬币时,实际所需要的硬币种类和数量。最终,我们会计算arr数组中硬币总数最少的那个方案,作为minCoinChange()函数的输出。

  当然在实际应用中,我们可以把硬币抽象成任何你需要的数字,这个算法能给出你满足结果的最小组合。

背包问题

  背包问题是一个组合优化问题,它被描述为:给定一个具有固定容量的背包capacity,以及一组具有价值(value)和重量(weight)的物品,找出一个最优方案,使得装入背包的物品的总重量不超过capacity,且总价值最大。

  假设我们有以下物品,且背包的总容量为5:

物品# 重量 价值
1 2 3
2 3 4
3 4 5

  我们用矩阵来解决这个问题。首先,我们把物品和背包的容量组成如下矩阵:

物品(i)/重量(w) 0 1 2 3 4 5
0 0 0 0 0 0 0
1 (w=2, v=3) 0 0

a: 3+[0][2-2]=3+0

b: [0][2]=0

max(3+0,0)=3

a: 3+[0][3-2]=3+0

b: [0][3]=0

max(3+0,0)=3

a: 3+[0][4-3]=3+0

b: [0][4]=0

max(3+0,0)=3

a: 3+[0][5-3]=3+0

b: [0][5]=0

max(3+0,0)=3

2 (w=3, v=4) 0 0 3

a: 4+[1][3-3]=4+0

b: [1][3]=3

max(4+0,3)=4

a: 4+[1][4-3]=4+0

b: [1][4]=3

max(4+0,3)=4

a: 4+[1][5-3]=4+3

b: [1][5]=3

max(4+3,3)=7

3 (w=4, v=5) 0 0 3 4

a: 5+[2][4-4]=5+0

b: [2][4]=4

max(5+0,4)=5

a: 5+[2][5-4]=5+0

b: [2][5]=7

max(5+0,7)=7

  为了便于理解,我们将矩阵kS的第一列和第一行忽略(因为它们表示的是容量0和第0个物品)。然后,按照要求往矩阵的格子里填数。如果当前的格子能放下对应的物品,存在以下两种情况:

  • a - 放入当前物品,然后剩余的重量再放入前一个物品
  • b - 不放入当前物品,放入前一个物品

  在上面的表格中,

  1. 当背包的重量为1时,没有物品能放入,所以都是0,这个很好理解。
  2. 当背包的重量为2时,物品1可以放入,那么存在两种情况:放入物品1(价值为3),剩余的重量(背包的重量2减去物品1的重量2,结果为0)再放入前一个物品;不放入物品1,放入前一个物品[0][2],价值为0。所以最大价值就是max(3, 0)=3。
  3. ......
  4. 当背包的重量为5时,放入物品2,两种情况:放入物品2(价值为4),剩余的重量(背包的重量5减去物品2的重量3,结果为2)再放入前一个物品,是[1][2],对应的价值是3;不放入物品2,,放入前一个物品[1][5],价值为3。所以最大价值就是max(4+3, 3)=7。
  5. ......

  如果当前物品不能放入背包,则忽略它,用前一个值代替。我们可以按照上面描述的过程把剩余的格子都填满,这样表格中最后一个单元格里的值就是最优方案。

  下面是具体的实现代码:

function knapSack(capacity, weights, values, n) {
const kS = []; // 将ks初始化为一个空的矩阵
for (let i = 0; i <= n; i++) {
kS[i] = [];
} for (let i = 0; i <= n; i++) {
for (let w = 0; w <= capacity; w++) {
// 忽略矩阵的第1列和第1行
if (i === 0 || w === 0) {
kS[i][w] = 0;
}
else if (weights[i - 1] <= w) {
const a = values[i - 1] + kS[i - 1][w - weights[i - 1]];
const b = kS[i - 1][w];
kS[i][w] = Math.max(a, b);
}
else {
kS[i][w] = kS[i - 1][w];
}
}
} console.log(kS);
}

  对于const a,其价值分为两部分,第一部分就是它自己的价值(values[i - 1]),第二部分是用背包剩余的重量(w - weights[i - 1])装进前一个物品(kS[i - 1])。对于const b,就是找前一个能放入这个重量的物品(kS[i - 1][w])。然后取这两种情况下的最大值。

  测试一下knapSack()函数,

const capacity = 5;
const weights = [2, 3, 4];
const values = [3, 4, 5];
knapSack(capacity, weights, values, weights.length);

  下面是矩阵kS的输出结果:

[
[ , , , , , ],
[ , , , , , ],
[ , , , , , ],
[ , , , , , ]
]

最长公共子序列(LCS)

  找出两个字符串序列的最长子序列的长度。所谓最长子序列,是指两个字符串序列中以相同顺序出现,但不要求连续的字符串序列。例如下面两个字符串:

  字符串1:acbaed

  字符串2:abcadf

  则LCS为acad。

  和背包问题的思路类似,我们用下面的表格来描述整个过程:

    a b c a d f
  0 0 0 0 0 0 0
a 0 1 1 1 1 1 1
c 0 1 1 2 2 2 2
b 0 1 2 2 2 2 2
a 0 1 2 2 3 3 3
e 0 1 2 2 3 3 3
d 0 1 2 2 3 4 4

  矩阵的第一行和第一列都被设置为0,剩余的部分,遵循下面两种情况:

  • 如果wordX[i - 1]和wordY[j - 1]相等,则矩阵对应的单元格的值为单元格[i - 1][j - 1]的值加1。
  • 如果wordX[i - 1]和wordY[j - 1]不相等,则找出单元格[i - 1][j]和单元格[i][j - 1]之间的最大值。

  下面是具体的实现代码:

function lcs(wordX, wordY) {
const m = wordX.length;
const n = wordY.length;
const l = [];
for (let i = 0; i <= m; i++) {
l[i] = [];
for (let j = 0; j <= n; j++) {
l[i][j] = 0;
}
}
for (let i = 0; i <= m; i++) {
for (let j = 0; j <= n; j++) {
if (i === 0 || j === 0) {
l[i][j] = 0;
} else if (wordX[i - 1] === wordY[j - 1]) {
l[i][j] = l[i - 1][j - 1] + 1;
} else {
const a = l[i - 1][j];
const b = l[i][j - 1];
l[i][j] = Math.max(a, b);
}
}
}
console.log(l);
console.log(l[m][n]);
}

  我们将矩阵打印出来,结果如下:

const wordX = ['a', 'c', 'b', 'a', 'e', 'd'];
const wordY = ['a', 'b', 'c', 'a', 'd', 'f'];
lcs(wordX, wordY);
[
[ , , , , , , ],
[ , , , , , , ],
[ , , , , , , ],
[ , , , , , , ],
[ , , , , , , ],
[ , , , , , , ],
[ , , , , , , ]
]

  矩阵中最后一个单元格的值为LCS的长度。那如何计算出LCS的具体内容呢?我们可以设计一个相同的solution矩阵,用来做标记,如果wordX[i - 1]和wordY[j - 1]相等,则将solution矩阵中对应的值设置为'diagonal',即上面表格中背景为灰色的单元格。否则,根据[i][j]和[i - 1][j]是否相等标记为'top'或'left'。然后通过printSolution()方法来找出LCS的内容。修改之后的代码如下:

function printSolution(solution, wordX, m, n) {
let a = m;
let b = n;
let x = solution[a][b];
let answer = '';
while (x !== '0') {
if (solution[a][b] === 'diagonal') {
answer = wordX[a - 1] + answer;
a--;
b--;
} else if (solution[a][b] === 'left') {
b--;
} else if (solution[a][b] === 'top') {
a--;
}
x = solution[a][b];
}
return answer;
} function lcs(wordX, wordY) {
const m = wordX.length;
const n = wordY.length;
const l = [];
const solution = [];
for (let i = 0; i <= m; i++) {
l[i] = [];
solution[i] = [];
for (let j = 0; j <= n; j++) {
l[i][j] = 0;
solution[i][j] = '0';
}
}
for (let i = 0; i <= m; i++) {
for (let j = 0; j <= n; j++) {
if (i === 0 || j === 0) {
l[i][j] = 0;
} else if (wordX[i - 1] === wordY[j - 1]) {
l[i][j] = l[i - 1][j - 1] + 1;
solution[i][j] = 'diagonal';
} else {
const a = l[i - 1][j];
const b = l[i][j - 1];
l[i][j] = Math.max(a, b);
solution[i][j] = l[i][j] === l[i - 1][j] ? 'top' : 'left';
}
}
} return printSolution(solution, wordX, m, n);
}

  测试结果:

const wordX = ['a', 'c', 'b', 'a', 'e', 'd'];
const wordY = ['a', 'b', 'c', 'a', 'd', 'f'];
console.log(lcs(wordX, wordY)); // acad

贪心算法

  贪心算法遵循一种近似解决问题的技术,期盼通过每个阶段的局部最优选择,从而达到全局的最优。它不像动态规划算法那样计算更大的格局。

最少硬币找零

  我们来看看如何用贪心算法解决前面提到过的最少硬币找零问题。

function minCoinChange(coins, amount) {
const change = [];
let total = 0;
for (let i = coins.length - 1; i >= 0; i--) {
const coin = coins[i];
while (total + coin <= amount) {
change.push(coin);
total += coin;
}
}
return change;
} const result = minCoinChange([1, 5, 10, 25], 36);
console.log(result); // [ 25, 10, 1 ]

  前提是coins数组已经按从小到大排好序了,贪心算法从最大值开始尝试,如果该值不满足条件(要找零的钱数),则继续向下找,直到找到满足条件的所有值。以上算法并不能满足所有情况下找出最优方案,例如下面这种情况:

const result = minCoinChange([1, 2, 5, 9, 10], 18);
console.log(result); // [ 10, 5, 2, 1 ]

  给出的结果[10, 5, 2, 1]并不是最优方案,最优方案应该是[9, 9]。

  与动态规划相比,贪心算法更简单、效率更高。但是其结果并不总是最理想的。但是综合看来,它相对执行时间来说,输出一个可以接受的结果。

背包问题

物品# 重量 价值
1 2 3
2 3 4
3 4 5

  在动态规划的例子里,假定背包的容量为5,最佳方案是往背包里装入物品1和物品2,总价值为7。在贪心算法中,我们需要考虑分数的情况,假定背包的容量为6,装入物品1和物品2之后,剩余容量为1,可以装入1/4的物品3,总价值为3+4+0.25×5=8.25。我们来看看具体的实现代码:

function knapSack(capacity, weights, values) {
const n = values.length;
let load = 0;
let val = 0;
for (let i = 0; i < n && load < capacity; i++) {
if (weights[i] <= capacity - load) {
val += values[i];
load += weights[i];
console.log(`物品${i + 1},重量:${weights[i]},价值:${values[i]}`);
} else {
const r = (capacity - load) / weights[i];
val += r * values[i];
load += weights[i];
console.log(`物品${i + 1}的${r},重量:${r * weights[i]},价值:${val}`);
}
} return val;
}

  从第一个物品开始遍历,如果总重量小于背包的容量,则继续迭代,装入物品。如果物品可以完整地装入背包,则将其价值和重量分别计入到变量val和load中,同时打印装入物品的信息。如果物品不能完整地装入背包,计算能够装入的比例r,然后将这个比例所对应的价值和重量分别计入到变量val和load中,同时打印物品的信息。最终输出总的价值val。下面是测试结果:

const capacity = 6;
const weights = [2, 3, 4];
const values = [3, 4, 5];
console.log(knapSack(capacity, weights, values));
物品1,重量:,价值:
物品2,重量:,价值:
物品3的0.,重量:,价值:8.25
8.25

  在动态规划算法中,如果将背包的容量也设定为6,计算结果则为8。

最长公共子序列(LCS)

  最后我们再来看看如何用贪心算法解决LCS的问题。下面的代码返回了两个给定数组中的LCS的长度:

function lcs(wordX, wordY, m = wordX.length, n = wordY.length) {
if (m === 0 || n === 0) {
return 0;
}
if (wordX[m - 1] === wordY[n - 1]) {
return 1 + lcs(wordX, wordY, m - 1, n - 1);
}
const a = lcs(wordX, wordY, m, n - 1);
const b = lcs(wordX, wordY, m - 1, n);
return a > b ? a : b;
} const wordX = ['a', 'c', 'b', 'a', 'e', 'd'];
const wordY = ['a', 'b', 'c', 'a', 'd', 'f'];
console.log(lcs(wordX, wordY)); //

JavaScript算法模式——动态规划和贪心算法的更多相关文章

  1. python常用算法(6)——贪心算法,欧几里得算法

    1,贪心算法 贪心算法(又称贪婪算法)是指,在对问题求解时,总是做出在当前看来是最好的选择.也就是说,不从整体最优上加以考虑,他所做出的的时在某种意义上的局部最优解. 贪心算法并不保证会得到最优解,但 ...

  2. 『嗨威说』算法设计与分析 - 贪心算法思想小结(HDU 2088 Box of Bricks)

    本文索引目录: 一.贪心算法的基本思想以及个人理解 二.汽车加油问题的贪心选择性质 三.一道贪心算法题点拨升华贪心思想 四.结对编程情况 一.贪心算法的基本思想以及个人理解: 1.1 基本概念: 首先 ...

  3. Java 算法(一)贪心算法

    Java 算法(一)贪心算法 数据结构与算法目录(https://www.cnblogs.com/binarylei/p/10115867.html) 一.贪心算法 什么是贪心算法?是指在对问题进行求 ...

  4. 算法(C#版)动态规划和贪心算法

    https://blog.csdn.net/kouzhuanjing1849/article/details/88954811

  5. 为什么我要放弃javaScript数据结构与算法(第十一章)—— 算法模式

    本章将会学习递归.动态规划和贪心算法. 第十一章 算法模式 递归 递归是一种解决问题的方法,它解决问题的各个小部分,直到解决最初的大问题.递归通常涉及函数调用自身. 递归函数是像下面能够直接调用自身的 ...

  6. 二叉树遍历问题、时间空间复杂度、淘汰策略算法、lru数据结构、动态规划贪心算法

    二叉树的前序遍历.中序遍历.后序遍历 前序遍历 遍历顺序规则为[根左右] ABCDEFGHK 中序遍历 遍历顺序规则为[左根右] BDCAEHGKF 后序遍历 遍历顺序规则为[左右根] DCBHKGF ...

  7. [算法导论]贪心算法(greedy algorithm)

    转载请注明出处:http://www.cnblogs.com/StartoverX/p/4611544.html 贪心算法在每一步都做出当时看起来最佳的选择.也就是说,它总是做出局部最优的选择,寄希望 ...

  8. poj_1042 贪心算法

    poj 1042 gone fishing 题目要求: 由有n个湖, 按照顺序排列,一个人从第一个湖向最后一个湖行进(方向只能从湖0到湖n-1),途中可以在湖中钓鱼.在每个湖中钓鱼时,开始的5分钟内可 ...

  9. 由Leetcode详解算法 之 动态规划(DP)

    因为最近一段时间接触了一些Leetcode上的题目,发现许多题目的解题思路相似,从中其实可以了解某类算法的一些应用场景. 这个随笔系列就是我尝试的分析总结,希望也能给大家一些启发. 动态规划的基本概念 ...

随机推荐

  1. python查漏补缺 --- 基础概念及控制结构

    python  是一种面向对象的解释型计算机程序设计语言,在运行时由解释器处理,在执行程序之前不需要编译程序.Python就是一句话,写得快,跑得慢. 下面的内容是平时工作中容易忽略掉的小细节,希望借 ...

  2. PHP7安装mysql扩展

    1.下载mysql扩展 http://git.php.net/?p=pecl/database/mysql.git;a=summary 2.解压后并使用phpize工具初始化(phpize一般在php ...

  3. 关于STM32F103+ESP8266+阿里云过程之修改SDK连接至阿里云(二)

    继上篇的阿里云物联云平台设置之后,接下来的工作就是对安信可官方给的sdk进行修改 安信可ESP系列集成环境,SDK,aliyun_mqtt_app,下载地址在上一篇博客,https://www.cnb ...

  4. 利用dockerfile 安装一个tomcat7

    FROM docker.io/centos #定义自己的说明 MAINTAINER jim ming "107420988@qq.com" #切换镜像目录,进入/usr/local ...

  5. cesium学习——cesium中的坐标

    一.坐标展现形式 在cesium中,对于坐标数值单位有三种:角度.弧度和坐标值 1.角度 角度就是我们所熟悉的经纬度,对于地球的坐标建立如下: 图中以本初子午线作为x和z的面,建立了一个空间坐标系.可 ...

  6. java8中使用函数式接口

    使用函数式接口 Predicate @FunctionalInterface interface Predicate<T>{ boolean test(T t); } public sta ...

  7. vagrant 创建虚拟机时遇到问题

    问题1 :  ceph-node3: Warning: Authentication failure. Retrying.. 问题分析: ssh 认证失败,在向虚拟机拷贝内容时权限不足. 解决办法: ...

  8. Jenkins 配置 SpringBoot 自动构建部署

    服务器版本 Linux version 3.10.0-957.12.1.el7.x86_64 (mockbuild@kbuilder.bsys.centos.org) (gcc version 4.8 ...

  9. 还在为垂直居中苦恼?CSS 布局利器 flexbox 轻轻松松帮你搞定

    传统的 CSS 布局方式是基于盒模型(它是根据盒子与父盒子以及兄弟盒子的关系确定大小和位置的算法),实现时依赖于 block, inline, table, position, float 这些属性, ...

  10. Cookie&Session

    Cookie&Session 背景:Cookie和Session的原理.作用及如何设置和相关面试. 一.诞生背景 HTTP是无状态的,即服务器无法知道两个请求是否来自同一个浏览器,也就是服务器 ...