Dynamické programování

Transkript

1 Dynamické programování Karel Richta a kol. Katedra počítačů Fakulta elektrotechnická České vysoké učení technické v Praze Karel Richta a kol., 207 Datové struktury a algoritmy, B6B36DSA 05/207, Lekce 2 Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, /68

2 Myšlenka dynamického programování Definice funkce f(x,y) = (x = 0) (y = 0) 2 f(x, y-) + f(x-,y) (x > 0) && (y > 0) Otázka f(0,0) =? Program int f(int x, int y) { if ( (x == 0) (y == 0)) return ; return (2* f(x,y-) + f(x-,y)); } print( f(0,0) ); Odpověď f(0,0) = Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 2/68

3 Myšlenka dynamického programování Jednoduchá analýza int count = 0; public static int f(int x, int y) { count++; if ( (x == 0) (y == 0)) return ; return (2* f(x, y-) + f(x-,y)); } xyz = f(0,0); print(count); Výsledek analýzy count = Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 3/68

4 Myšlenka dynamického programování Detailnější analýza strom rekurzivního volání f(0,0) f(0,9) f(9,0) f(0,8) f(9,9) f(9,9) f(8,0) f(0,7) f(9,8) f(9,8) f(8,9) f(9,8) f(8,9) f(8,9) f(7,0) f(0,6) 9,7 9,7 8,8 9,7 8,8 8,8 7,9 9,7 8,8 8,8 7,9 8,8 7,9 7,9 f(6,0) Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 4/68

5 Myšlenka dynamického programování Detailnější analýza pokračuje efektivita rekurzivního volání f(0,0) počet: volání hodnot f(9,0) 2 2 f(9,9) f(9,9) f(8,0) 4 3 f(9,8) f(8,9) f(9,8) f(8,9) f(8,9) f(7,0) 8 4 9,7 8,8 8,8 7,9 9,7 8,8 8,8 7,9 8,8 7,9 7,9 f(6,0) Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 5/68

6 Myšlenka dynamického programování f(x,y) = (x = 0) (y = 0) 2 f(x, y-) + f(x-,y) (x > 0) && (y > 0) x 0 f(0,0) f(,0) f(2,0) f(0,0) f(0,) f(,) 2 f(0,2) 3 f(x,y-) 2 f(x-,y) f(x,y) f(0,8) 9 f(9,9) f(0,9) 0 f(0,0) f(8,0) f(9,0) f(0,0) y Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 6/68

7 Myšlenka dynamického programování f(x,y) = (x = 0) (y = 0) 2 f(x, y-) + f(x-,y) (x > 0) && (y > 0) x f(x,y-) 2 f(x-,y) f(x,y) y Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 7/68

8 Myšlenka dynamického programování Všechny hodnoty se předpočítají static int dynarr [N+][N+]; void filldynarr() { int xy, x, y; for (xy = 0; xy <= N; xy++) dynarr[0][xy] = dynarr[xy][0] = ; } for (y = ; y <= N; y++) for (x = ; x <= N; x++) dynarr[y][x] = 2*dynArr[y-][x] + dynarr[y][x-]; Volání funkce int f(int x,int y) { return dynarr[y][x]; } Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 8/68

9 Rozděl-a-panuj vs. dynamické programování Metoda rozděl-a-panuj je vhodná pro řešení úloh, které lze rozdělit na nezávislé podúlohy: Rozděl úlohu na nezávislé podúlohy. Rekurzivně vyřeš podúlohy. Zkombinuj řešení podúloh do celkového výsledku úlohy. Dynamické programování (DP) je vhodné pro řešení úloh, ve kterých se podúlohy překrývají, t.j., řeší se stejné podúlohy. Pro takové úlohy není metoda rozděl-a-panuj vhodná, protože sdílené podúlohy se opakovaně (redundantně) řeší znovu a znovu, což muže vést na řádově vyšší složitost. Metody DP si hodnoty dříve vyřešených podúloh zapamatují a při jejich znovuobjevení je využijí. Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 9/68

10 Význam termínu DP Termín programování v sousloví dynamické programování nemá standardní význam vytváření počítačového kódu. Je odvozen z termínu matematické programování, což je synonymum pro optimalizaci. V této interpretaci, slovo program znamená optimální či přijatelný plán (rozpis, rozvrh) pro provedení nějaké množiny souvisejících úkonů. Programování v tomto smyslu tedy znamená metodu nalezení takového plánu či rozvrhu akcí. Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 0/68

11 Dynamické programování pro řešení optimalizačních úloh Definice optimalizační úlohy: Z více možných řešení hledáme řešení s optimální cenou (maximální či minimální hodnotou). Vytvoření DP algoritmu pro řešení dané optimalizační úlohy se skládá ze 4 kroků: Charakterizuj strukturu optimálního řešení. Rekurzivně definuj hodnotu optimálního řešení. Vypočítej efektivně hodnotu optimálního řešení: metodou shora dolů, metodou zdola nahoru. Zrekonstruuj strukturu optimálního řešení z vypočtených hodnot. Poslední bod odpadá, pokud stačí pouze cena (hodnota) optimálního řešení. Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, /68

12 Definice: Příklad: Řetězové násobení matic Je dána posloupnost matic A,A 2,...,A n, matice A i má rozměry d i d i. Řetězové násobení matic (ŘNM) je úkol vypočítat součin A = A A 2 A n s minimální aritmetickou složitostí (= cenou řešení). Jinými slovy, úkolem je najít takové uzávorkování pořadí násobení matic, které vede na vynásobení s nejmenším počtem aritmetických operací. Předpokládáme klasické násobení matic řádky krát sloupce. Složitost součinu A i A i+ aproximujeme výrazem d i d i d i+ (zanedbáváme konstanty a nižší členy). Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 2/68

13 Vlastnosti ŘNM Poznámky: Násobení matic je asociativní, proto jakékoli uzávorkování dá správný výsledek A. Různé pořadí násobení má dramatický vliv na aritmetickou složitost výpočtu. Přitom kombinatorická složitost ŘNM je exponenciální, takže řešení hrubou silou, zkoušením všech možností, není myslitelná. Příklad: Uvažujme n = 3 a d 0 = 5, d = 50, d 2 = 0 a d 3 = 30. Pak uzávorkování (A A2) A3 má aritmetickou složitost = = 4000, zatímco: uzávorkování A (A2 A3) má složitost = = 22500!!! Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 3/68

14 Počet různých uzávorkování Označme Z(n) počet všech různých způsobů, jak uzávorkovat součin A A 2 A n. Posloupnost matic můžeme rozdělit na dvě části hranicí mezi A k a A k+ pro libovolné k =, 2,..., n a pak uzávorkovat rekurzívně a nezávisle na sobě obě vzniklé podposloupnosti A,...,A k a A k+,...,a n. Proto platí rekurentní vztah: Řešením jsou tzv. Catalanova čísla: Z(n) = C(n ): Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 4/68

15 Příklady použití Catalanových čísel Počet kořenových binárních stromů s n listy je C(n-). Počet korektních uzávorkování 2n závorek je C(n). ((())) ()(()) ()()() (())() (()()) Počet způsobů, jak se v mřížce n n dostat z levého dolního do pravého horního rohu, aniž bychom překročili diagonálu nebo se vraceli, je C(n). Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 5/68

16 První krok DP: Charakterizování optimálního závorkování Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 6/68

17 Druhý krok DP: Rekurzivní definice ceny optimálního závorkování Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 7/68

18 Třetí krok DP: Algoritmus výpočtu ceny optimálního závorkování Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 8/68

19 Strom rekurzivních volání RECRNM Důvod exponenciální složitosti je podobný jako u rekurzivního výpočtu Fibonacciho čísel. Celkový počet hodnot m[*,* ], které je třeba vypočítat pro zjištění hodnoty m[, n], je pouze počet všech dvojic i, j takových, že i j n, což je Dochází však masivně k opakovanému výpočtu stejných hodnot, viz příklad stromu rekurzivních volání RECRNM(, 4). Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 9/68

20 Časová složitost RECRNM(d,, n) Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 20/68

21 Třetí krok DP algoritmu: Efektivní varianta. Nerekurzivní algoritmus výpočtu ceny optim. závorkování zdola nahoru. Předpoklady: Vstupem je pole d[0,..., n] rozměrů matic. Výstupem jsou 2 pole: m[,..., n,,..., n], kam se ukládají ceny optimálního závorkování pro výpočet A i...j, h[... n, 2... n], kam se ukládají příslušné hodnoty hranic optimálního závorkování. Princip: Systematické zaplňování tabulky zdola nahoru pro všechny dvojice i, j, kde i j n ( hodnot). Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 2/68

22 Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 22/68

23 Příklad běhu BOTTOMUPRNM(6, d,m, h) Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 23/68

28 Třetí krok DP algoritmu: Varianta 2 Rekurzivní algoritmus (shora dolu) výpočtu ceny optimálního závorkování s tabelací Princip tabelace (anglicky memoization): Algoritmus také vytváří tabulku s hodnotami řešení podúloh. Každá položka tabulky je také inicializována speciální hodnotou Neurceno. Řídící struktura pro zaplňování však není záplavové plnění zdola nahoru jako ve variantě, ale pořadí vyvolávané rekurzívním algoritmem. První rekurzívně vyvolané řešení dané podúlohy provede výpočet a výsledek uloží do příslušného místa v tabulce. Následné opakované volání řešení téže podúlohy pouze přečte tuto hodnotu z tabulky. Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 28/68

29 Rekurzivní algoritmus s tabelací Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 29/68

30 Strom rekurzivních volání MEMRECRNM Zakroužkované uzly stromu rekurzivních volání se nepočítají, ale pouze načtou z tabulky. Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 30/68

31 Srovnání MEMRECRNM a BOTTOMUPRNM Lemma: Oba algoritmy mají složitost O(n 3 ). Srovnání: Algoritmus MEMRECRNM je svojí podstatou metoda shora dolů, kdežto BOTTOMUPRNM je metoda zdola nahoru. Pokud logika výpočtu vyžaduje, aby každá podúloha byla řešena aspoň jednou, pak BOTTOMUPRNM je rychlejší o multiplikativní konstantu. Pravidelnost přístupu do tabulky pak uspoří čas i díky menším výpadkům skrytých pamětí a efektivnějším tokům dat mezi pamětí a procesorem. Pokud rekurzivní sestup umožní, že některé podúlohy se vůbec nevyvolají, pak může být rychlejší MEMRECRNM. Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 3/68

32 Čtvrtý krok DP algoritmu: Konstrukce optimálního řešení úlohy ŘNM Tabulka h[... n, 2... n] obsahuje hodnoty hranic pro optimální závorkování při ŘNM. Díky Lemmatu o možném uzávorkování je konstrukce optimálního řešení triviální - rekurzivním sestupem. Na nejvyšší úrovni to je h[, n]: Nejprve rekurzívně optimálně vypočteme A A h[,n], pak A h[,n]+ A n a výsledné matice nakonec vynásobíme. Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 32/68

33 Čtvrtý krok DP algoritmu: Konstrukce optimálního řešení úlohy ŘNM Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 33/68

34 DYNAMICKÉ PROGRAMOVÁNÍ: OPTIMÁLNÍ BINÁRNÍ VYHLEDÁVACÍ STROM Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 34/68

35 Optimální binární vyhledávací strom Vyvážený, ale ne optimální 0.0 Dana Hugo 0.04 Lea Ben Fred Jack Nick 0.03 Ann Cole Edna Gene Irma Ken Mark Orrie Klíč Pravděpodobnost dotazu Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 35/68

36 Optimální binární vyhledávací strom Cena jednotlivých uzlů v BVS cena uzlu = pravděpodobnost hloubka Hugo = Dana = 0.02 Fred = 0.5 Gene 0.22 hloubka = 0.88 cena uzlu = průměrný počet testů na nalezení uzlu při jednom dotazu (Find) Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 36/68

37 Cena vyváženého stromu klíč pravděp. p k hloubka d k p k d k Ann Ben Cole Dana Edna Fred Gene Hugo Irma Jack Ken Lea = = = = = = = = = = = = 0.8 Mark Nick Orrie = = = 0.04 Cena celkem: 3.47 Cena celkem = prům. poč. testů na jednu operaci Find. Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 37/68

38 Optimální BVS Struktura optimálního BVS s danými pravděpodobnostmi 0.2 Cole Gene 0.22 Ken Ben Fred Irma Lea 0.09 Ann 0.04 Edna Hugo Jack Nick Dana Mark Orrie Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 38/68

39 klíč pravděp. p k hloubka d k p k d k = = = = = = = = Ann Ben Cole Dana Edna Fred Gene Hugo Irma Jack Ken Lea Mark Nick Orrie Cena optimálního BVS Zrychlení 3.47 : 2.56 = : = = = = = = = 0.05 Cena celkem 2.56 Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 39/

40 Výpočet ceny optimálního BVS Xyz p k C k C 2k cena levého podstromu uzlu k Cena pravého podstromu uzlu k C 2k C k L k- k k+ R Rekurzivní myšlenka k- Cena = C k + p i + C 2k + i=l R i=k+ p i p k + p k Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 40/68

41 Výpočet ceny optimálního BVS Malé optimální podstromy 2 L R N Nad prvky s indexy od L do R lze jistě vytvořit jeden optimální podstrom. Velikost stromu = poč. uzlů = R-L+ Máme N optimalních podstromů velikosti N- 2 N-2 3 podstrom N Celkem máme N * (N+) /2 různých optimálních podstromů. Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 4/68

42 Idea rekurzivního řešení: Minimalizace ceny BVS. Předpoklad : Všechny menší optimální stromy jsou známy. 2. Zkus: k = L, L+, L+2,..., R k=l k=l+ k=l+2... k=r 3. Zaregistruj index k, který minimalizuje cenu, tj. zaregistruj hodnotu: k- C k + p i + C 2k + p i + p k i=l R i=k+ 4. Klíč s indexem k je kořenem optimálního stromu. Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 42/68

43 Minimalizace ceny BVS C(L,R)... Cena optimálního podstromu obsahujícího klíče s indexy L, L+, L+2,..., R-, R k- C(L,R) = min { C(L, k-) + L k R i=l p i + C(k+,R) + R p i i=k+ + p k } = = min { C(L, k-) + L k R C(k+,R) + R i=l p i } = (*) = min { C(L, k-) + L k R C(k+,R) } + R i=l p i Hodnota k minimalizující (*) je indexem kořene optimálního podstromu. Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 43/68

44 Datové struktury pro výpočet optimálního BVS Ceny optimálních podstromů pole C [L][R] (L R) Kořeny optimálních podstromů pole roots [L][R] (L R) L 2 3 R N L R L 2 3 R L R N+ 0 N+ 0 diagonála... L = R diagonála... L = R Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 44/68

45 Výpočet optimálního BVS Cena konkrétního optimálního podstromu p p 2 L=3, R=9 p 3 a b c d e p 4 p 5 x y z C(L,R) = min { C(L, k-) + C(k+,R) } L k R R + p i i=l p 6 p7 t 0 (nuly na diagonále a pod ní ) p 8 w p9 C(L,R) = min{ 0+x, p 3 +y, a+z, b+t, c+w, d+p 9, e+0 } R + p i i=l p N Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 45/68

46 Výpočet optimálního BVS Strategie dynamického programování nejprve se zpracují nejmenší podstromy, pak větší, atd Stop Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 46/68

47 Výpočet optimálního BVS Výpočet polí cen a kořenů void optimaltree() { int L, R, k, size; double min; // size = for (int i=0; i<=n; i++) { C[i][i] = pravděpodobnost[i]; R[i][i] = i; } // size > for (size = 2; size <= N; size++) { L = ; R = size; while (R <= N) { C[L][R] = min(c[l][k-]+c[k+][r], k = L..R); roots[l][r] = k minimalizující předch. řádek ; C[L][R] += sum(c[i][i], i = L..R); L++; R++; } } } Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 47/68

48 Výpočet optimálního BVS Vybudování optimálního stromu pomocí pole kořenů void buildtree(int L, int R) { int key; if (R < L) return; key = roots[l][r]; insert(root, key); // standard BST insert buildtree( L, key-); buildtree( key+, R); } Volání funkce buildtree vybuduje optimální strom: buildtree(,n); Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 48/68

49 Výpočet optimálního BVS Kořeny optimálních podstromů Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 49/68

50 Výpočet optimálního BVS Korespondence stromů 0.08 Ben Ann Cole 0.04 Edna Dana Fred 0.22 Gene 0.06 Irma Hugo 0.04 Jack Ken 0.09 Lea 0.03 Nick Mark 0.02 Orrie Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 50/68

51 Výpočet optimálního BVS Ceny optimálních podstromů -A 2-B 3-C 4-D 5-E 6-F 7-G 8-H 9-I 0-J -K 2-L 3-M 4-N 5-O -A B C D E F G H I J K L M N O Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 5/68

52 DYNAMICKÉ PROGRAMOVÁNÍ: NEJDELŠÍ SPOLEČNÁ PODPOSLOUPNOST Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 52/68

53 Nejdelší společná podposloupnost Dvě posloupnosti A: B: C B E A D D E A D E C D B D A A = 8 B = 7 Společná podposloupnost A: C B E A D D E A B: D E C D B D A C: C D A C = 3 Nejdelší společná podposloupnost (NSP, angl: LCS) A: C B E A D D E A B: D E C D B D A C: E D D A C = 4 Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 53/68

54 Nejdelší společná podposloupnost A n : (a, a 2,..., a n ) B m : (b, b 2,..., b m ) C k : (c, c 2,..., c k ) C k = LCS(A n, B m ) A 8 : B 7 : C 4 : C B E A D D E A D E C D B D A E D D A Rekurzivní pravidla: ( a n = b m ) ==> (c k = a n = b m ) & (C k- = LCS (A n-, B m- ) ) A 8 : C B E A D D E A A 7 : C B E A D D E A B 7 : D E C D B D A B 6 : D E C D B D A C 4 : E D D A C 3 : E D D A Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 54/68

55 Nejdelší společná podposloupnost ( a n!= b m ) & (c k!= a n ) ==> (C k = LCS (A n-, B m ) ) A 7 : C B E A D D E A 6 : C B E A D D E B 6 : D E C D B D B 6 : D E C D B D C 3 : E D D C 3 : E D D ( a n!= b m ) & (c k!= b m ) ==> (C k = LCS (A n, B m- ) ) A 5 : C B E A D A 5 : C B E A D B 5 : D E C D B B 4 : D E C D B C 2 : E D C 2 : E D Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 55/68

56 Nejdelší společná podposloupnost Rekurzivní funkce délka NSP C(n,m) = 0 C(n-, m-) + max{ C(n-, m), C(n, m-) } n = 0 or m = 0 n > 0, m > 0, a n = b m n > 0, m > 0, a n b m Strategie dynamického programování C[n][m] m for (a=; a<=n; a++) for (b=; b<=m; b++) C[a][b] =... ; n Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 56/68

57 Nejdelší společná podposloupnost Konstrukce pole pro NSP void findlcs() { int a, b; for (a=; a<=n; a++) for (b=; b <= m; b++) if (A[a] == B[b]) { C[a][b] = C[a-][b-]+; arrows[a][b] = DIAG; } else if (C[a-][b] > C[a][b-]) { C[a][b] = C[a-][b]; arrows[a][b] = UP; } else { C[a][b] = C[a][b-]; arrows[a][b] = LEFT; } } Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 57/68

58 Karel Richta a kol. (FEL) B6B36DSA, 207, Lekce 2, 58/68 Dynamické programování Datové struktury a algoritmy C B E A D D E A C D B D A D E 0 C A: B: Pole NSP pro CBEADDEA a DECDBDA Nejdelší společná podposloupnost

59 Nejdelší společná podposloupnost Výpis NSP -- rekurzivně :) void outlcs(int a, int b) { if ((a == 0 ) (b == 0)) return; if (arrows[a][b] == DIAG) { outlcs(a-, b-); // recursion... print(a[a]); //... reverses the sequence! } else if (arrows[a][b] == UP) outlcs(a-,b); else outlcs(a,b-); } Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 59/68

60 DYNAMICKÉ PROGRAMOVÁNÍ: ŘEZÁNÍ TYČÍ Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 60/68

61 Problém řezání tyčí Firma Serling Enterprises se zabývá prodejem železných tyčí. Nakupuje tyče určité délky, řeže je na menší délky a prodává. Předpokládáme, že řez má zanedbatelnou cenu. Chceme navrhnout optimální sadu řezů. Jako vstup uvažujeme řadu cen p i, které si firma účtuje za tyč délky i (,2, ). Problém je nalézt pro tyč délky n optimální řezy tak, aby zisk byl co největší. Pozn.: pokud by cena p n byla dostatečně vysoká, bude optimální vůbec neřezat. Př.: Uvažme tabulku cen: délka cena ý Pro tyč délky 4 je optimální jeden řez na dvě tyče délky 2. Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 6/68

62 Problém řezání tyčí (pokr.) Pokud tyč délky n rozřízneme na k kusů, pak n=i +i 2 + +i k. Označme si r n zisk z takového řezu: r n =p i +p i2 + +p ik. I r i řešení = (bez řezu) = 2 (bez řezu) = 3 (bez řezu) = = = 6 (bez řezu) = + 6 nebo 7 = = = (bez řezu) Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 62/68

63 Problém řezání tyčí (pokr.) Zisk lze spočítat z předchozích hodnot dle vztahu: r n = max(p n, r -r n-, r 2 -r n-2,, r n- -r ). Abychom mohli spočítat řešení problém rozsahu n, musíme spočítat řešení problémů velikosti n-, n-2, atd. Navíc, pokud rozřízneme tyč na dva kusy, můžeme uvažovat řešení obou částí jako nezávislá, ze kterých pak určíme optimální řešení celku. Výše uvedenou rovnost lze ještě zjednodušit (uvažujeme r 0 = 0): r n = max i n (pi, rn i ) Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 63/68

64 Rekurzivní řešení public static int cut_rod(int p[], int n) { int q; if (n == 0) return 0; q = MIN_VALUE; for (int i = ; i < n; i++){ q = Math.max(q, p[i]+cut_rod(p,n-i)); }; return q; }; Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 64/68

65 Řešení dynamickým programováním r n = max ( ݎ, ) r Krok Krok p n f(0,8) 9 f(9,9 f(0,9) 0 f(0,0) f(9,0) f(0,0) y Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 65/68

66 Řešení pomocí dynamického programování public static int bottom_up_cut_rod(int p[], int n) { int q = 0; int r[] = new int[n]; r[0] = 0; for (int j = ; j < n; j++){ q = MIN_VALUE; for (int i = ; i < j; i++){ q = Math.max(q, p[i]+r[j-i]); }; r[j] = q; }; return q; }; Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 66/68

67 Příklady úloh vhodných pro řešení metodou DP Floydův algoritmus hledání nejkratších cest v grafech. Optimální plánování výpočetních úloh, zadaných časovými intervaly, ve kterých mohou běžet. Výpočet Levenshteinovy vzdálenosti mezi 2 textovými řetězci. Určení způsobu, jak nejlépe daný řetězec vygenerovat pomocí dané bezkontextové gramatiky. Hledání nejdelšího společného podřetězce dvou řetězců. Optimální triangularizace konvexního mnohoúhelníku. Problém obchodního cestujícícho:... Obecný případ v exponenciálním, ale o(n!) čase. Spec. případy v polynomiálním čase. Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 67/68

68 The End Karel Richta a kol. (FEL) Dynamické programování B6B36DSA, 207, Lekce 2, 68/68