Prog-Din

Proiectarea algoritmilor: Programare dinamica
Dorel Lucanu
Faculty of Computer Science
Alexandru Ioan Cuza University, Iasi, Romania
dlucanu@info.uaic.ro
PA 2014/2015
D. Lucanu (FII - UAIC)
Programare dinamic
a
PA 2014/2015
1 / 52
Outline
Prezentarea generala a paradigmei
Studii de caz
Problema rucsacului II (varianta discreta)
Distanta ntre siruri
Programare dinamic
a
PA 2014/2015
2 / 52
Prezentarea general
a a paradigmei
Plan
Studii de caz
Programare dinamic
a
PA 2014/2015
3 / 52
Prezentarea general
a a paradigmei
Clasa de probleme
Clasa de probleme la care se aplica include probleme de optim.
Programare dinamic
a
PA 2014/2015
4 / 52
Prezentarea general
a a paradigmei
Modelul matematic
Definirea notiunii de stare, care este de fapt o generalizare a

problemei initiale si asocierea functiei obiectiv pentru stare.
Problemei trebuie sa devina un caz particular (o stare).
Definirea unei relatii de tranzitie ntre stari. O relatie s s 0 , unde s
si s 0 sunt stari, va fi numita decizie. O politica este o secventa de
decizii consecutive, adica o secventa de forma s0 s1 sn .
Unei stari s i asociem o valoare z si definim f (z) astfel ncat, daca
starea s corespunde problemei initiale, atunci
f (z) = optim R(x0 , . . . , xm1 )
Programare dinamic
a
PA 2014/2015
5 / 52
Prezentarea general
a a paradigmei
Modelul matematic
4
Aplicarea Principiului de Optim pentru obtine o relatie de recurenta.

Principiul de optim (PO) afirma ca o subpolitica a unei politici
optimale este la randul ei optimala. Deoarece este posibil ca PO sa nu
aiba loc, rezulta ca trebuie verificata validitatea relatiei de recurenta.
Principiul de optim conduce la obtinerea unei ecuatii functionale de

forma:
f (z) = optim [H(z, y , f (T (z, y )))]
(1)
y
unde:
s si s 0 sunt doua stari astfel ncat una se obtine din cealalta aplicand
decizia d,
z este valoarea asociata starii s,
T (z, y ) calculeaza valoarea starii s 0 , iar
H exprima algoritmul de calcul al valorii f (z) dat de decizia d.
Programare dinamic
a
PA 2014/2015
6 / 52
Prezentarea general
a a paradigmei
Modelul matematic
Relatia de mai sus poate fi interpretata astfel: dintre toate deciziile

care se pot lua n starea s (sau care conduc la starea s), se alege una
care da valoarea optima n conditiile n care politica aplicata n
continuare (sau pana atunci) este este si ea optima.
Relatia (1) poate fi dovedita utilizand inductia si reducerea la absurd.

Deoarece este posibil ca formularile pentru T () si sau H() sa fie
neadecvate, ducand la cazul n care principiul de optim nu are loc,
este necesara verificarea acestuia pentru problema supusa rezolvarii.
Rezolvarea ecuatiilor recurente (1) conduce la determinarea unui sir

de decizii ce n final constituie politica optima prin care se determina
valoarea functiei obiectiv.
Programare dinamic
a
PA 2014/2015
7 / 52
Prezentarea general
a a paradigmei
Modelul matematic
Calculul recurentei rezolvand problemele de la mic la mare si

memorand valorile obtinute ntr-un tablou. Nu se recomanda scrierea
unui program recursiv care sa calculeze valorile optime. Daca n
secventa de decizii luate, o anumita problema apare de mai multe ori,
ea va fi calculata de algoritmul recursiv de cate ori apare.
Exemplu cu numerele Fibonacci: pe tabla
10
Extragerea solutiei optime din tablou utilizand proprietatea de

substructura optima a solutiei, care afirma ca solutia optima a
problemei include solutiile optime ale subproblemelor sale. De
remarcat ca proprietatea de substructura optima este echivalenta cu
principiul de optim.
Programare dinamic
a
PA 2014/2015
8 / 52
Studii de caz
Plan
Studii de caz
Programare dinamic
a
PA 2014/2015
9 / 52
Studii de caz
Problema rucsacului II (varianta discret

a)
Plan
Studii de caz
Programare dinamic
a
PA 2014/2015
10 / 52
Studii de caz

a)
Problema
Se considera n obiecte 1, . . . , n de dimensiuni (greutati)

w1 , . . . , wn Z+ , respectiv, si un rucsac de capacitate M Z+ .
Un obiect i sau este introdus n totalitate n rucsac, xi = 1, sau
nu este introdus de loc, xi = 0, astfel ca o umplere a rucsacului
const
P a dintr-o secventa x1 , . . . , xn cu xi {0, 1} si
si n cazul continuu, introducereaP
obiectului i
i xi wi M. Ca
n rucsac aduce profitul pi Z iar profitul total este ni=1 xi pi .
Problema consta n a determina o alegere (x1 , . . . , xn ) care sa
aduca un profit maxim.
Deci, singura deosebire fata de varianta continua studiata la metoda
greedy consta n conditia xi {0, 1} n loc de xi [0, 1].
Programare dinamic
a
PA 2014/2015
11 / 52
Studii de caz

a)
Formularea matematica
functia obiectiv:
max
n
X
xi pi
i=1
restrictii:
n
P
xi wi M
i=1
xi {0, 1}, i = 1, . . . , n
wi Z+ , pi Z, i = 1, . . . , n
MZ
Programare dinamic
a
PA 2014/2015
12 / 52
Studii de caz

a)
Definirea notiunii de stare

Rucsac(j, X ) reprezinta urmatoarea problema, care este o generalizare a
celei initiale:
functia obiectiv:
max
j
X
xi pi
i=1
restrictii:
j
P
xi wi X
i=1
xi {0, 1}, i = 1, . . . , j
wi Z+ , pi Z, i = 1, . . . , j
X Z
Cu fj (X ) notam valoarea optima pentru instanta Rucsac(j, X ). Daca
j = 0 si X 0, atunci fj (X ) = 0.
Programare dinamic
a
PA 2014/2015
13 / 52
Studii de caz

a)
Definirea notiunilor de decizie si relatia de tranzitie
Presupunem j > 0. Consideram decizia optima prin care starea

Rucsac(j, X ) este transformata n Rucsac(j 1, ?).
Notam cu (x1 , . . . , xj ) alegerea care da valoarea optima fj (X ).
Programare dinamic
a
PA 2014/2015
14 / 52
Studii de caz

a)
Aplicarea principiului de optim
Daca xj = 0 (obiectul j nu este pus n rucsac) atunci, conform principiului

de optim, fj (X ) este valoarea optima pentru starea Rucsac(X , j 1) si
de aici fj (X ) = fj1 (X ).
Daca xj = 1 (obiectul j este pus n rucsac) atunci, din nou conform
principiului de optim, fj (X ) este valoarea optima pentru starea
Rucsac(j 1, X wj ) la care se adauga profitul pi si de aici
fj (X ) = fj1 (X wj ) + pj .
Programare dinamic
a
PA 2014/2015
15 / 52
Studii de caz

a)
Obtinerea recurentei
Combinand relatiile de mai sus obtinem:
, dac
aX <0
fj (X ) = 0
, dac
a j = 0 si X 0 (2)
max{fj1 (X ), fj1 (X wj ) + pj } , dac

a j > 0 si X 0
Am considerat fj (X ) = daca X < 0.
Programare dinamic
a
PA 2014/2015
16 / 52
Studii de caz

a)
(2) ca instanta a relatiei (1)

Reamintim (1):
f (z) = optim [H(z, y , f (T (z, y )))]
y
valoarea z asociata starii s este (j, X )

valoarea T (y , z) asociata starii s 0 este (j 1, X y wj )
algoritmul H este fj1 (X y wj ) + y pj , unde y {0, 1}
optim este max
y
y {0,1}
care duce la scrierea mai concisa pentru cazul j > 0 si X 0:

fj (X ) = max fj1 (X y wj ) + y pj
y {0,1}
Programare dinamic
a
PA 2014/2015
17 / 52
Studii de caz

a)
Rezolvarea problemelor de la mic la mare si memorarea

rezultatelor n tabel
Fie M = 10, n = 3 si greutatile si profiturile date de urmatorul tabel:
i
wi
pi
1
3
10
2
5
30
3
6
20
Valorile optime pentru subprobleme sunt calculate cu ajutorul relatiilor 2 si

pot fi memorate ntr-un tablou bidimensional astfel:
X
f0
f1
f2
f3
0
0
0
0
0
1
0
0
0
0
2
0
0
0
0
3
0
10
10
10
4
0
10
10
10
5
0
10
30
30
6
0
10
30
30
7
0
10
30
30
8
0
10
40
40
9
0
10
40
40
10
0
10
40
40
Tabloul de mai sus este calculat linie cu linie: pentru a calcula valorile de
pe o linie sunt consultate numai valorile de pe linia precedenta.
Programare dinamic
a
PA 2014/2015
18 / 52
Studii de caz

a)
Analiza
Tabloul de mai sus are dimensiunea n m (au fost ignorate prima linie si
prima coloana). Daca m = O(2n ) rezulta ca atat complexitatea spatiu cat
si cea timp sunt exponentiale. Privind tabloul de mai sus observam ca
exista multe valori care se repeta.
Programare dinamic
a
PA 2014/2015
19 / 52
Studii de caz

a)
Rafinare
In continuare ne punem problema memorarii mai compacte a acestui

tablou. Construim graficele functiilor f0 , f1 , f2 si f3 pentru exemplul de mai
sus. Avem:
(
, X < 0
f0 (X ) =
0
,X 0
Notam cu g0 functia data de:
(
, X < 3
g0 (X ) = f0 (X w1 ) + p1 =
10
,3 X
Programare dinamic
a
PA 2014/2015
20 / 52
Studii de caz

a)
Rafinare
Graficele functiilor f0 si g0 :
6
10
-
Programare dinamic
a
PA 2014/2015
21 / 52
Studii de caz

a)
Rafinare
Functia f1 se calculeaza prin:
, X < 0
f1 (X ) = max{f0 (X ), g0 (X )} = 0
,0 X < 3
10
,3 X
Notam cu g1 functia data prin:
, X < 5
g1 (X ) = f1 (X w2 ) + p2 = 30
,5 X < 8
40
,8 X
Programare dinamic
a
PA 2014/2015
22 / 52
Studii de caz

a)
Rafinare
6
40
30
10
10
-
Programare dinamic
a
PA 2014/2015
23 / 52
Studii de caz

a)
Rafinare
0
f2 (X ) = max{f1 (X ), g1 (X )} = 10
30
40
In continuare, notam cu g2 functia data prin:
20
g2 (X ) = f2 (X w3 ) + p3 = 30
50
60
Programare dinamic
a
,X < 0
,0 X < 3
,3 X < 5
,5 X < 8
,8 X
,X < 6
,6 X < 9
, 9 X < 11
, 11 X < 14
, 14 X
PA 2014/2015
24 / 52
Studii de caz

a)
Rafinare
6
60
50
40
30
20
10
40
30
10
-
Programare dinamic
a
56
89
11
PA 2014/2015
14
25 / 52
Studii de caz

a)
Rafinare
10
f3 (X ) = max{f2 (X ), g2 (X )} = 30
40
50
60
Programare dinamic
a
,X < 0
,0 X < 3
,3 X < 5
,5 X < 8
, 8 < X 11
, 11 X < 14
, 14 X
PA 2014/2015
26 / 52
Studii de caz

a)
Rafinare
Graficul functiei f3 :
6
60
50
40
30
10
-
11
14
Programare dinamic
a
PA 2014/2015
27 / 52
Studii de caz

a)
Rafinare
Se remarca faptul ca functiile fi si gi sunt functii n scara. Graficele acestor
functii pot fi reprezentate prin multimi finite din puncte din plan. De
exemplu, graficul functiei f2 este reprezentat prin multimea
{(0, 0), (3, 10), (5, 30), (8, 40)}.
X
f0
f1
f2
f3
0
0
0
0
0
1
0
0
0
0
2
0
0
0
0
3
0
10
10
10
4
0
10
10
10
5
0
10
30
30
6
0
10
30
30
7
0
10
30
30
8
0
10
40
40
9
0
10
40
40
10
0
10
40
40
O multime care reprezinta o functie n scara contine acele puncte n care

functia face salturi. Graficul functiei gi se obtine din graficul functiei fi
printr-o translatie iar graficul functiei fi+1 se obtine prin interclasarea
graficelor functiilor fi si gi .
Programare dinamic
a
PA 2014/2015
28 / 52
Studii de caz

a)
Rafinare
In general, fiecare fi este complet specificat de o multime
Si = {(Xj , Yj ) | j = 0, . . . , r } unde Yj = fi (Xj ).
Presupunem X1 < < Xr .
Analog, functiile gi sunt reprezentate prin multimile
Ti = {(X + wi , Y + pi ) | (X , Y ) Si }.
Notam Ti = (Si ) si Si+1 = (Si , Ti ). Multimea Si+1 se obtine din Si si
Ti prin interclasare.
Algoritmul pentru :
Se considera o variabila L care ia valoarea 1 daca graficul lui fi+1 coincide
cu cel al lui fi si cu 2 daca el coincide cu cel al lui gi . Deoarece (0, 0)
apartine graficului rezultat, consideram L = 1, j = 1 si k = 1.
Programare dinamic
a
PA 2014/2015
29 / 52
Studii de caz

a)
Rafinare
Presupunand ca la un pas al interclasarii se compara (Xj , Yj ) Si cu
(Xk , Yk ) Ti atunci:
daca L = 1:
daca Xj < Xk atunci adauga (Xj , Yj ) n Si+1 si se incrementeaza j;
daca Xj = Xk :
dac
a Yj > Yk atunci adaug
a (Xj , Yj ) n Si+1 si se incrementeaz
a j si k;
dac
a Yj < Yk atunci adaug
a (Xk , Yk ) n Si+1 , L = 2 si se
incrementeaz
a j si k;
daca Xj > Xk atunci, daca Yk > Yj adauga (Xk , Yk ) n Si+1 , L = 2 si

se incrementeaza k;
daca L = 2:
daca Xj < Xk atunci, daca Yj > Yk adauga (Xj , Yj ) n Si+1 , L = 1 si
se incrementeaza j;
daca Xj = Xk :
dac
a Yj < Yk atunci adaug
a (Xk , Yk ) n Si+1 si se incrementeaz
a j si k;
dac
a Yj > Yk atunci adaug
a (Xj , Yj ) n Si+1 , L = 1 si se incrementeaz
a
j si k;
daca Xj > Xk atunci adauga (Xk , Yk ) n Si+1 si se incrementeaza k;

Programare dinamic
a
PA 2014/2015
30 / 52
Studii de caz

a)
Rafinare
Ramane de extras solutia optima din Sn . Consideram mai ntai cazul din
exemplul de mai sus.
Se cauta n Sn = S3 perechea (Xj , Yj ) cu cel mai mare Xj pentru care
Xj M. Obtinem (Xj , Yj ) = (8, 40). Deoarece (8, 40) S3 si
(8, 40) S2 rezulta foptim (M) = foptim (8) = f3 (8) = f2 (8) si deci
x3 = 0. Perechea (Xj , Yj ) ramane neschimbata.
Pentru ca (Xj , Yj ) = (8, 40) este n S2 si nu este n S1 , rezulta ca
foptim (8) = f1 (8 w2 ) + p2 si deci x2 = 1. In continuare se ia
(Xj , Yj ) = (Xj w2 , Yj p2 ) = (8 5, 40 30) = (3, 10).
Pentru ca (Xj , Yj ) = (3, 10) este n S1 si nu este n S0 , rezulta ca
foptim (3) = f1 (3 w1 ) + p1 si deci x1 = 1.
Programare dinamic
a
PA 2014/2015
31 / 52
Studii de caz

a)
Rafinare
Metoda poate fi descrisa pentru cazul general:

Initial se determina perechea (Xj , Yj ) Sn cu cel mai mare Xj pentru
care Xj M. Valoarea Yj constituie ncarcarea optima a rucsacului,
i.e. valoarea functiei obiectiv din problema initiala.
Pentru i = n 1, . . . , 0:
daca (Xj , Yj ) este n Si , atunci fi+1 (Xj ) = fi (Xj ) = Yj si se face
xi+1 = 0 (obiectul i + 1 nu este ales);
daca (Xj , Yj ) nu este n Si , atunci fi+1 (Xj ) = fi (Xj wi+1 ) + pi+1 = Yj
si se face xi+1 = 1 (obiectul i + 1 este ales), Xj = Xj wi+1 si
Yj = Yj pi+1 .
Programare dinamic
a
PA 2014/2015
32 / 52
Studii de caz

a)
Algoritmul rafinat
rucsacVD(n, w, p, valOpt, x) {
S0 = {(0, 0)};
T0 = {(w1 , p1 )};
for (i = 1; i < n; ++i) {
Si (X) = (Si1 , Ti1 )
Ti = {(X + wi , Y + pi ) | (X, Y) Si }
}
determina (Xj , Yj ) cu Xj = max{Xi | (Xi , Yi ) Sn , Xi M}
for (i = n-1; i 1; --i)
if ((Xj , Yj ) Si ) then xi+1 = 0
else {
xi+1 = 1
Xj = Xj wi+1
Yj = Yj pi+1
}
}
Programare dinamic
a
PA 2014/2015
33 / 52
Studii de caz

a)
Analiza algoritmului rafinat
P
Notam P
m = ni=0P
|Si |. Deoarece |Ti | = |Si | rezulta ca |Si+1 | 2 |Si | si
de aici i |Si | i 2i = 2n 1. Calculul lui Si din
PSi1 necesita timpul
(|Si1 |) si de aici calculul lui Sn necesita timpul i (|Si |) = O(2n ).
Deoarece profiturilePpi sunt numere ntregi, pentru orice (X , Y ) Si , Y
este ntreg si Y ji pj . Analog, pentru ca dimensiunile
Pwi sunt
numere ntregi, pentru (X , Y ) Si , X este ntreg si X ji wj .
Deoarece perechile (X , Y ) cu X > M nu intereseaza, ele pot sa nu fie
incluse n multimile Si .
Programare dinamic
a
PA 2014/2015
34 / 52
Studii de caz

a)
Analiza algoritmului rafinat

De aici rezulta ca numarul maxim de perechi (X , Y ) distincte din Si
satisface relatiile:
P
|Si | 1 + ij=1 wj
|Si | M
care implica
|Si | 1 + min
i
X
j=1
wj , M
Relatia de mai sus permite o estimare mai precisa a spatiului necesar

pentru memorarea multimilor Si n cazul unor probleme concrete. In ceea
ce priveste timpul,P
facand calculele rezulta ca algoritmul are complexitatea
timp O(min(2n , n ni=1 pi , nM)).
Programare dinamic
a
PA 2014/2015
35 / 52
Studii de caz
Plan
Studii de caz
Programare dinamic
a
PA 2014/2015
36 / 52
Studii de caz
Problema
Se considera doua siruri = a1 an si = b1 bn formate cu
litere dintr-un alfabet A. Asupra sirului se pot face
urmatoarele operatii:
Stergere: S(i) sterge litera de pe pozitia i;
Inserare: I (i, c) insereaza litera c pe pozitia i;
Modificare: M(i, c) nlocuieste litera de pe pozitia i cu c.
Problema consta n determinarea unei secvente de operatii de
lungime minima care transforma pe n .
Exemplu: Fie = carnet, = paleta. O secventa de transformari este
carnet 7 par net 7 palnet 7 palet 7 paleta. Transformarile efectuate
sunt M(1, p), M(3, l), S(4) si I (6, a). Exista o alta secventa mai scurta?
sfex
Programare dinamic
a
PA 2014/2015
37 / 52
Studii de caz
Analiza domeniului problemei

Lema
Fie s = (. . . T (i, ), T 0 (j, ) . . .) o secventa optima (de lungime minima)
care transforma pe n . Atunci exista k, ` astfel ncat secventa
s 0 = (. . . T 0 (k, ), T (`, ) . . .), obtinuta din s prin interschimbarea celor
doua operatii T si T 0 si n rest ramanand neschimbata, este de asemenea
o secventa optima care transforma pe n .
Corolar
Exista o secventa optima care daca efectueaza transformarile:
= 0 7 1 7 7 t =
atunci pentru orice i, |i | ||, unde prin | | am notat lungimea sirului .
Programare dinamic
a
PA 2014/2015
38 / 52
Studii de caz
Analiza domeniului problemei
Lema
Are loc:
(i) d(, ) = 0;
(ii) d(, ) = d(, );
(iii) d(, ) d(, ) + d(, ).
Observatie: Lema de mai sus arata ca d(, ) este o metrica. De aici si
numele problemei.
sfobs
Programare dinamic
a
PA 2014/2015
39 / 52
Studii de caz
Notiunea de stare
DS(i , j ) corespunzatoare transformarii subsirului i = a1 . . . ai n

j = b1 . . . bj si prin d[i, j] valoarea optima d(i , j ).
Daca i = 0, 0 este sirul vid si j se obtine prin j inserari: deci d[0, j] = j.
Daca j = 0, atunci j se obtine prin i stergeri si avem d[i, 0] = i.
In continuare presupunem i, j > 0.
Programare dinamic
a
PA 2014/2015
40 / 52
Studii de caz
Decziile si Principiul de optim

Consideram decizia optima prin care starea DS(a1 . . . ai , b1 . . . bj ) este
transformata ntr-o stare DS(a1 . . . ai 0 , b1 . . . bj 0 ) cu (i 0 < i si j 0 j) sau
(i 0 i si j 0 < j).
Distingem urmatoarele situatii:
1 Dac
a ai = bj atunci i 0 = i 1, j 0 = j 1 si, aplicand principiul de
optim, obtinem d[i, j] = d[i 1, j 1].
2 DS(a , . . . , a , b , . . . , b ) se obt
ine prin stergere. Rezulta
1
i 1
j
i 0 = i 1, j 0 = j si, aplicand principiul de optim, obtinem
d[i, j] = d[i 1, j] + 1.
3 DS(a , . . . , a , b , . . . , b ) se obt
ine prin inserare. Avem
1
i 1
j
i 0 = i, j 0 = j 1 si, aplicand principiul de optim, obtinem
d[i, j] = d[i, j 1] + 1. Din corolarul lemei precedente rezulta ca
aceasta operatie poate fi realizata numai daca i < j.
4 DS(a , . . . , a , b , . . . , b ) se obt
ine prin modificare. Avem
1
i 1
j
0
0
i = i 1, j = j 1 si, aplicand principiul de optim, obtinem
d[i, j] = d[i 1, j 1] + 1.
Programare dinamic
a
PA 2014/2015
41 / 52
Studii de caz
Relatia de recurenta
Deoarece d[i, j] trebuie sa fie minima, rezulta:

d[i, j] = min{d[i 1, j] + 1, d[i 1, j 1] + (i, j), d[i, j 1] + 1} (3)
unde
(
0
(i, j) =
1
, dac
a ai = bj
, dac
a ai =
6 bj
Programare dinamic
a
PA 2014/2015
42 / 52
Studii de caz
(3) ca instanta a relatiei (1)

Reamintim (1):
f (z) = optim [H(z, y , f (T (z, y )))]
y
valoarea z asociata starii s este [i, j]

valoarea T (y , z) asociata starii s 0 este [i yi , j yj ], unde
yi , yj {0, 1}, yi + yj > 0
algoritmul H este d[i yi , j yj ] + (i, j, yi , yj ), unde
(
0 , dac
a ai = bj yi + yj = 2
(i, j, yi , yj ) =
1 , dac
a (ai 6= bj yi + yj = 2) yi + yj = 1
optim este
y
min
yi ,yj {0,1},yi +yj >0
care duce la scrierea mai concisa pentru cazul i, j > 0:

d[i, j] =
min
yi ,yj {0,1},yi +yj >0
d[i yi , j yj ] + (i, j, yi , yj )
Programare dinamic
a
PA 2014/2015
43 / 52
Studii de caz
Calculul lui d[i,j]: exemplu
a
r
m
a
t
a
0
1
2
3
4
5
6
c
1
1
2
3
4
5
a
2
1
2
3
3
4
m
3
2
2
2
3
4
a
4
3
3
3
2
3
r
5
4
3
4
3
a
6
5
4
4
4
Programare dinamic
a
PA 2014/2015
44 / 52
Studii de caz
Determinarea secventei optime
Notam cu L lista care nregistreaza transformarile solutiei optime. Se

procedeaza n modul urmator:
initial se considera i = n; j = n; si L = ( ) (lista vida);
urmatorul proces se repeta pana cand i si j devin 0:
daca d[i, j] = d[i 1, j 1] atunci L ramane neschimbata si se face
i = i-1; j = j-1;
altfel, daca d[i, j] = d[i 1, j 1] + 1 atunci se face L = (M(i, bj ), L)
si i = i-1; j = j-1;
altfel, daca d[i, j] = d[i 1, j] + 1 atunci se face L = (S(i), L) si
i = i-1;
altfel, daca d[i, j] = d[i, j 1] + 1 atunci se face L = (I (i, bj ), L) si
j = j-1.
Programare dinamic
a
PA 2014/2015
45 / 52
Studii de caz
Determinarea secventei optime: exemplu
a
r
m
a
t
a
0
1
2
3
4
5
6
c
1
1
2
3
4
5
6
a
2
1
2
3
3
4
5
m
3
2
2
2
3
4
5
a
4
3
3
3
2
3
4
r
5
4
3
4
3
3
4
a
6
5
4
4
4
4
3
Programare dinamic
a
PA 2014/2015
46 / 52
Studii de caz
a
r
m
a
t
a
0
1
2
3
4
5
6
c
1
1
2
3
4
5
6
a
2
1
2
3
3
4
5
m
3
2
2
2
3
4
5
a
4
3
3
3
2
3
4
r
5
4
3
4
3
3
4
a
6
5
4
4
4
4
3
Programare dinamic
a
PA 2014/2015
46 / 52
Studii de caz
a
r
m
a
t
a
0
1
2
3
4
5
6
c
1
1
2
3
4
5
6
a
2
1
2
3
3
4
5
m
3
2
2
2
3
4
5
a
4
3
3
3
2
3
4
r
5
4
3
4
3
3
4
a
6
5
4
4
4
4
3
Programare dinamic
a
PA 2014/2015
46 / 52
Studii de caz
0
a 1
r 2
m 3
a 4
t 5
a 6
M(5, 0 r0 )
c
1
1
2
3
4
5
6
a
2
1
2
3
3
4
5
m
3
2
2
2
3
4
5
a
4
3
3
3
2
3
4
r
5
4
3
4
3
3
4
a
6
5
4
4
4
4
3
Programare dinamic
a
PA 2014/2015
46 / 52
Studii de caz
0
a 1
r 2
m 3
a 4
t 5
a 6
M(5, 0 r0 )
c
1
1
2
3
4
5
6
a
2
1
2
3
3
4
5
m
3
2
2
2
3
4
5
a
4
3
3
3
2
3
4
r
5
4
3
4
3
3
4
a
6
5
4
4
4
4
3
Programare dinamic
a
PA 2014/2015
46 / 52
Studii de caz
0
a 1
r 2
m 3
a 4
t 5
a 6
M(5, 0 r0 )
c
1
1
2
3
4
5
6
a
2
1
2
3
3
4
5
m
3
2
2
2
3
4
5
a
4
3
3
3
2
3
4
r
5
4
3
4
3
3
4
a
6
5
4
4
4
4
3
Programare dinamic
a
PA 2014/2015
46 / 52
Studii de caz
c a m
0 1 2 3
a 1 1 1 2
r 2 2 2 2
m 3 3 3 2
a 4 4 3 3
t 5 5 4 4
a 6 6 5 5
M(5, 0 r0 ), S(2)
a
4
3
3
3
2
3
4
r
5
4
3
4
3
3
4
a
6
5
4
4
4
4
3
Programare dinamic
a
PA 2014/2015
46 / 52
Studii de caz
c a m
0 1 2 3
a 1 1 1 2
r 2 2 2 2
m 3 3 3 2
a 4 4 3 3
t 5 5 4 4
a 6 6 5 5
M(5, 0 r0 ), S(2)
a
4
3
3
3
2
3
4
r
5
4
3
4
3
3
4
a
6
5
4
4
4
4
3
Programare dinamic
a
PA 2014/2015
46 / 52
Studii de caz
c a
0 1 2
a 1 1 1
r 2 2 2
m 3 3 3
a 4 4 3
t 5 5 4
a 6 6 5
M(5, 0 r0 ), S(2),
m a
3 4
2 3
2 3
2 3
3 2
4 3
5 4
I (1, 0 c0 )
r
5
4
3
4
3
3
4
a
6
5
4
4
4
4
3
Programare dinamic
a
PA 2014/2015
46 / 52
Studii de caz
Algoritmul
distSir(a, b, n) {
for (j = 1; j n; ++j) d[0,j] = j;
for (i = 1; i n; ++i) d[i,0] = i;
for (i = 1; i n; ++i)
for (j = 1; j n; ++j) {
= (a[i] == b[j])? 0 : 1;
d[i, j] = min{d[i 1, j] + 1, d[i 1, j 1] + , d[i, j 1] + 1}
}
L = listaVida();
i = n; j = n;
repeat
if (d[i,j] == d[i-1,j-1]) {
i = i-1; j = j-1;
} else if (d[i,j] == d[i-1,j-1]+1) {
L.pushFront(M, i, b[j]));
i = i-1; j = j-1;
} else if (d[i,j] == d[i-1,j]+1) {
L.pushFront(S, i));
i = i-1
} else {
L.pushFront(I, i, b[j]);
j = j-1;
}
until ((i = 0) && (j = 0))
} D. Lucanu (FII - UAIC)
Programare dinamic
a
PA 2014/2015
47 / 52
Studii de caz
Analiza
Teorema
Determinarea distantei optime si a secventei optime care transforma un sir
ntr-un sir , || = || = n, se poate face n timpul O(n2 ).
Programare dinamic
a
PA 2014/2015
48 / 52
Studii de caz
Variatii
alte operatii:
transpozitia: schimba ordinea a doua caractere adiacente
distanta Levenshtein (de editare)
sunt admise numai inserari, stergeri si inlocuiri
toate operatiile au costul 1
distanta Hamming
sunt admise numai nlocuirile
costul operatiei este 1
este finita ori de cate ori |a| = |b|
distanta episodica (episode distance)
sunt admise numai inserari
costul operatiei este 1
distanta este sau |b| |a| sau
Programare dinamic
a
PA 2014/2015
49 / 52
Studii de caz
Variatii
distanta data de cea mai lunga subsecventa

sunt admise numai inserari si stergeri
toate operatiile au costul 1
Exemplu: = amxbtycsnma si = bancxstymcxn
= amxbtycsnma bamxbtycsnma baxbtycsnma
banxbtycsnma bancxbtycsnma bancxtycsnma
bancxstycsnma bancxstymcsnma bancxstymcnma
bancxstymcxnma bancxstymcxna bancxstymcxn =
(a,x,t,y,c,n) este subsecventa comuna
este cea mai lunga?
Programare dinamic
a
PA 2014/2015
50 / 52
Studii de caz
Variatii
matching aproximativ peste siruri (aproximate string matching)

problema: dat un text s de lungime n, un patern p de lungime m, o
distanta d() ntre siruri si un numar k, sa se determine pozitiile j din
textul s astfel ncat sa existe i cu d(p, s[i..j]) k
distanta Levenshtein: string matching with k differences
distanta Hamming: string matching with k missmatches
distanta episodica: episode matching (modeleaza cazul cand se cauta o
secventa de evenimente intr-o perioada scurta de timp)
cea mai lunga subsecventa comuna: exact ce spune numele
Programare dinamic
a
PA 2014/2015
51 / 52
Studii de caz
Variatii
procesul de cautare pentru matching aproximativ:
= p, = s
trebuie sa modificam algoritmul a.. orice pozitie j din text este startul
potential al unei potriviri; asta se realizeaza prin setarea d[0, j] = 0
calculul matricei se face pe coloane
initial: d[i, 0] = i pentru i = 0, . . . , m
se proceseaza textul caracter cu caracter
presupunem ca la pasul curent se proceseaza sj
coloana j este actualizata:
d[i, j] = (pi == sj ) ? d[i 1, j 1] :
1 + min(d[i 1, j], d[i, j 1], d[i 1, j 1])
pozitiile j pentru care d[m, j] k sunt raportate
de remarcat ca numai ultimele doua coloane sunt necesare
Programare dinamic
a
PA 2014/2015
52 / 52

Prog-Din

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Prog-Din

Încărcat de

Drepturi de autor:

Formate disponibile

Proiectarea algoritmilor: Programare dinamica

D. Lucanu (FII - UAIC)

Prezentarea generala a paradigmei

D. Lucanu (FII - UAIC)

Prezentarea generala a paradigmei

D. Lucanu (FII - UAIC)

Clasa de probleme la care se aplica include probleme de optim.

D. Lucanu (FII - UAIC)

Definirea notiunii de stare, care este de fapt o generalizare a

D. Lucanu (FII - UAIC)

Aplicarea Principiului de Optim pentru obtine o relatie de recurenta.

Principiul de optim conduce la obtinerea unei ecuatii functionale de

Relatia de mai sus poate fi interpretata astfel: dintre toate deciziile

Relatia (1) poate fi dovedita utilizand inductia si reducerea la absurd.

Rezolvarea ecuatiilor recurente (1) conduce la determinarea unui sir

D. Lucanu (FII - UAIC)

Calculul recurentei rezolvand problemele de la mic la mare si

Extragerea solutiei optime din tablou utilizand proprietatea de

D. Lucanu (FII - UAIC)

Prezentarea generala a paradigmei

D. Lucanu (FII - UAIC)

Problema rucsacului II (varianta discret

Prezentarea generala a paradigmei

D. Lucanu (FII - UAIC)

Problema rucsacului II (varianta discret

Se considera n obiecte 1, . . . , n de dimensiuni (greutati)

D. Lucanu (FII - UAIC)

Problema rucsacului II (varianta discret

D. Lucanu (FII - UAIC)

Problema rucsacului II (varianta discret

Definirea notiunii de stare

Problema rucsacului II (varianta discret

Definirea notiunilor de decizie si relatia de tranzitie

Presupunem j > 0. Consideram decizia optima prin care starea

D. Lucanu (FII - UAIC)

Problema rucsacului II (varianta discret

Aplicarea principiului de optim

Daca xj = 0 (obiectul j nu este pus n rucsac) atunci, conform principiului

D. Lucanu (FII - UAIC)

Problema rucsacului II (varianta discret

Combinand relatiile de mai sus obtinem:

max{fj1 (X ), fj1 (X wj ) + pj } , dac

D. Lucanu (FII - UAIC)

Problema rucsacului II (varianta discret

(2) ca instanta a relatiei (1)

valoarea z asociata starii s este (j, X )

care duce la scrierea mai concisa pentru cazul j > 0 si X 0:

D. Lucanu (FII - UAIC)

Problema rucsacului II (varianta discret

Rezolvarea problemelor de la mic la mare si memorarea

Valorile optime pentru subprobleme sunt calculate cu ajutorul relatiilor 2 si

Problema rucsacului II (varianta discret

D. Lucanu (FII - UAIC)

Problema rucsacului II (varianta discret

In continuare ne punem problema memorarii mai compacte a acestui

D. Lucanu (FII - UAIC)

Problema rucsacului II (varianta discret

D. Lucanu (FII - UAIC)

Problema rucsacului II (varianta discret

D. Lucanu (FII - UAIC)

Problema rucsacului II (varianta discret

D. Lucanu (FII - UAIC)

Problema rucsacului II (varianta discret