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10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:
- 如果全部用1美分的硬币,一共需要36个硬币
- 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
- 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
- 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:
[ { '1': 36 }, { '1': 1, '5': 7 }, { '1': 1, '5': 1, '10': 3 }, { '1': 1, '10': 1, '25': 1 } ] { '1': 1, '10': 1, '25': 1 }
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,
- 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。
- 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。
- ......
- 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。
- ......
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