前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >python动态规划解决矩阵连乘

python动态规划解决矩阵连乘

作者头像
Flaneur
发布2020-03-25 11:22:18
1.4K0
发布2020-03-25 11:22:18
举报
文章被收录于专栏:Flaneur的文章分享

前言

动态规划,自顶向下分解,自底向上求解。

动态规划

        动态规划算法与分治法类似,其基本思想也就是将待求解的问题分解成若干个子问题,先求解子问题,然后从这些子问题的解得到原问题的解,简单概括为自顶向下分解,自底向上求解。         与分治法不同的是,适合于用动态规划法求解的问题,经分解得到的子问题往往不是相互独立的,换句话说,就是前面解决过的子问题,在后面的子问题中又碰到了前面解决过的子问题,子问题之间是有联系的。如果用分治法,有些同样的子问题会被重复计算几次,这样就很浪费时间了。所以动态规划是为了解决分治法的弊端而提出的,动态规划的基本思想就是,用一个表来记录所有已经解决过的子问题的答案,不管该子问题在以后是否会被用到,只要它被计算过,就将其结果填入表中,以后碰到同样的子问题,就可以从表中直接调用该子问题的答案,而不需要再计算一次。具体的动态规划的算法多种多样,但他们都具有相同的填表式。         动态规划的适用场合,一般适用于解最优化问题,例如矩阵连乘问题、最长公共子序列、背包问题等等。

矩阵连乘问题描述

        给定n个矩阵:A1,A2,…,An,其中Ai与Ai+1是可乘的,i=1,2…,n-1。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。输入数据为矩阵个数和每个矩阵规模,输出结果为计算矩阵连乘积的计算次序和最少数乘次数。         若A是一个p × q的矩阵,B是一个q × r的矩阵,则其乘积C=AB是一个p × r的矩阵。数乘次数是p × q × r.

疑问

A(3 × 5)A(5 × 7)A(7 × 2)的连乘次数和括号划分有关系吗?

(A(3 × 5)A(5 × 7))A(7 × 2) 相乘次数: (3 × 5 7)+(3 × 7 × 2) = 147 A(3 × 5)(A(5 × 7)A(7 × 2)) 相乘次数: (5 × 7 2)+(3 × 5 × 2) = 100

答案很明显是有关系的。

分析

求 A1A2A3…An 定义 AiAi+1…Ak…Aj-1Aj 子列, 可看成是Ai…Ak,Ak…Aj 确定k的位置,然后按照递归的思想来逐步解决 求得结果后,使i=1,j=n原问题即可求解。

建立递归关系(状态转移方程)

设 Ai…Aj相乘 的最小数乘次数存储于m[i][j]中。 S[i][j]存储最佳断开位置。 A1:P0 × P1 A2:P1 × P2 A3:P2 × P3 … Ai:Pi-1 × Pi Ai+1:Pi × Pi+1 … An:Pn-1 × Pn P0 × P1 × P2 … × Pn——n+1个

当i=j时,m[i][j] = 0; 当i<j时,m[i][j] = m[i][k]+m[k+1][j]+Pi-1PkPj k在i,j之间取值,取值范围为i<=k<j 有递推关系如下:

动态规划的最优子结构性质是:

问题的最优解包含了其子问题的最优解。 最优子结构性质是问题可用动态规划法求解的显著特征。 Ai…Ak,Ak+1…Aj的最优划分也包含在Ai…Aj的最优划分中

在计算出最优值m[i][j]后,可递归地由s[i][j]构造出相应的最优解。

python代码实现

代码语言:javascript
复制
import random
from pandas import *
 
input = int(input("输入矩阵数:"))
matrix = [[0] * 2 for i in range(input)]
for i in range(input):                         #生成矩阵
    if i == 0:
        matrix[i][0] = random.randrange(100)
        matrix[i][1] = random.randrange(100)
    else:
        matrix[i][0] = matrix[i-1][1]
        matrix[i][1] = random.randrange(100)
m = [[0] * input for i in range(input)]         #记录连乘次数
s = [[0] * input for j in range(input)]         #记录括号位置
def MatrixMultiplication(inp):
    for i in range(inp):
        m[i][i] = 0
    for r in range(1, inp):
        for i in range(inp-r):
            j = i + r
            m[i][j] = m[i+1][j] + matrix[i][0] * matrix[i][1] * matrix[j][1]
            s[i][j] = i+1
            for k in range(i+1, j):
                judge = m[i][k] + m[k+1][j] + matrix[i][0] * matrix[k][1] * matrix[j][1]
                if judge < m[i][j]:
                    m[i][j] = judge
                    s[i][j] = k+1
def printmatrix(left, right):
    if left == right:
        print("A"+str(left+1), end='')
    else:
        print("(", end='')
        printmatrix(left, s[left][right]-1)
        printmatrix(s[left][right], right)
        print(")", end='')
MatrixMultiplication(input)
dm = DataFrame(m, index=list(range(1, input+1)), columns=list(range(1, input+1)))
ds = DataFrame(s, index=list(range(1, input+1)), columns=list(range(1, input+1)))
print(matrix)
print("数乘次数:\n", dm)
print("括号位置:\n", ds)
print("最终结果:")
printmatrix(0, input-1)
本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2020-03-05,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 前言
    • 动态规划
      • 矩阵连乘问题描述
        • 疑问
          • 分析
            • python代码实现
            领券
            问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档