动态规划:矩阵连乘问题
一、问题描述
给定n个数字矩阵A1,A2,…,An,其中Ai与Ai+1是可乘的,设Ai是pi-1*pi矩阵, i=1,2,…,n。求矩阵连乘A1A2...An的加括号方法,使得所用的乘次数最少。
例子
- 三个矩阵连乘,可以有(A1A2)A3和A1(A2A3)两种方法求积 ,乘法次数分别为: p0p1p2+p0p2p3和p0p1p3+p1p2p3
- 假设p0=10, p1=100, p2=5, p3=50, 两种方法的次数分别是:7500 和 75000
- 明显可以看出,两种乘法在效率上是有较大差异的,计算机实现乘法比实现加法要复杂,所以如何使乘法次数最小是一个值得探究的问题
如果使用蛮力算法,对所有可能的加括号方法递归搜索,则:
时间复杂度为指数级别,那么就需要有更优的方法来计算最佳的矩阵连乘方法
二、最优子结构性质
维基百科:如果问题的最优解所包含的子问题的解也是最优的,我们就称该问题具有最优子结构性质(即满足最优化原理)
通常来说,一个问题可以使用动态规划求解,必须具有最优子结构性质。所以,如果我们证明该问题具有最优子结构性质,我们就可以使用动态规划的方法来得到它的最优解,通常可以使用反证法进行证明。
证明:
设(A1…Ak)(Ak+1…An) 具有最少乘法次数,则(A1…Ak)中加括号的方法使A1..Ak乘法次数最少。否则设存在另一种加括号方法(A1…Ak)'更优,则(A1…Ak)'(Ak+1…An) 比 (A1…Ak)(Ak+1…An) 更优,矛盾。同理, (Ak+1…An) 内的连乘方法也是最优的。
三、实现
用m[i][j]表示Ai到Aj连乘的最小次数,则有递推关系:
这里使用一种自底向上的动态填表的方式来进行求解。
由上式及下表可以知道,每当我们要求得一个m[i][j]的值时,都需要知道它左边位置和下边位置所有的值,这样来理解的话就很容易实现了。
i/j | 1 | 2 | 3 | 4 | 5 | 6 |
---|---|---|---|---|---|---|
1 | 0 | 0 | 0 | 0 | 0 | 0 |
2 | 0 | 0 | 0 | 0 | 0 | |
3 | 0 | 0 | 0 | 0 | ||
4 | 0 | 0 | 0 | |||
5 | 0 | 0 | ||||
6 | 0 |
算法过程示例
6个矩阵连乘:P=[30,35,15,5,10,20,25]
计算过程:
i/j | 1 | 2 | 3 | 4 | 5 | 6 |
---|---|---|---|---|---|---|
1 | 0 | 15750 | 7875 | 9375 | 11875 | 15125 |
2 | 0 | 2625 | 4375 | 7125 | 10500 | |
3 | 0 | 750 | 2500 | 5375 | ||
4 | 0 | 1000 | 3500 | |||
5 | 0 | 5000 | ||||
6 | 0 |
还可以增加一个矩阵记录分割点,求得m[i][j]值的那一个k点即为最佳分割点。
该算法的时间复杂度为
O(n^3)
代码示例
#include<iostream>
using namespace std;
//矩阵连乘问题的解
int MatrixChainOrder(int n,int p[],int a, int b){
int m[n+1][n+1], s[n+1][n+1];//m记录乘法操作次数,s记录分割点k
for(int i = 1;i <= n;i++){
m[i][i] = 0;
s[i][i] = 0;
}
for(int i = n-1;i >= 1;i--){
for(int j = i+1;j <= n;j++){
m[i][j] = 10000000;
for(int k = i;k <= j-1;k++){
int sum = m[i][k] + m[k+1][j] + p[i-1]*p[k]*p[j];
if(sum < m[i][j]){
m[i][j] = sum;
s[i][j] = k;
}
}
}
}
printf("%d %d", m[a][b], s[a][b]);
}
int main(){
int n, i, j;
cin >> n;
int p[n+1];
for(int i = 0;i < n+1;i++)cin >> p[i];//第i个矩阵为pi*p(i+1)
cin >> i >> j;
MatrixChainOrder(n, p, i, j);
}