Sec15 dynamic programming

Introduction To Algorithms.

§15. Dynamic Programming

2010 / 06

What is DP ?

最適化問題に使う

Divide-and-conquer method に似てる

Programming → tabular method

Difference (いめーじ)

Divide and conquer : 分割統治法

トップダウン + 似た小問題

Dynamic Programming : 動的計画法

ボトムアップ + 同じ形の小問題

Step of DP（簡単に）

Characterize

Recursively define

Compute

Construct an optimal solutions

Step of DP（詳しく）

最適解の構造を特徴付ける

再帰的に最適解を定義する

ボトムアップ的に解を計算する

結果から最適解を構築する

とりあえず例題

§15.1 Rod Cutting

長い鋼鉄の棒を切って売る

切るのはタダ

価格表が与えられる

高く売りたい

§15.1 Rod Cutting

価格表の例

長さ n = 4 の場合…

4 , 3-1 , 2-2 , 1-3 , 1-1-2 , 1-2-1 , 2-1-1 , 1-1-1-1

L 1 2 3 4 5 6 7 8 9 10

P 1 5 8 9 10 17 17 20 24 30

パターン。

§15.1 Rod Cutting

4 = 1 + 1 + 2

一般に n = i1 + i2 + … + ik

収入は rn = pi1 + pi2 + … + pik

切り方の表現

R <- Revenue : 収入

§15.1 Example Revenue

最大収入の例

4 = 2 + 2 , 5 = 2 + 3 , 7 = 2 + 2 + 3

8 = 2 + 6 , 9 = 3 + 6

N 1 2 3 4 5 6 7 8 9 10

P 1 5 8 9 10 17 17 20 24 30

R 1 5 8 10 13 17 18 22 25 30

Step of DP

Characterize

Recursively define

Compute


how to get the optimal revenue

Rnを求めるために、Rn-1を求めてる

長さnからiだけ切る … n = i + ( n - i )

右の破片からだけ切るようにする


R1 = p1

R2 = max( p2 , r1 + r1 ) = max( p2 , 2p1 )

R3 = max( p3 , r1 + r2 , r2 + r1 )

= max( p3 , p1 + max( p2, 2p1 ) )


R1 = p1

R2 = max( p1 + r1 , p2 ) = max( 2p1 , p2 )

R3 = max( p1 + r2 , p2 + r1 , p3 )

= max( p1 + max( 2p1 , p2 ) , p1 + p2 , p3 )

= max( p1 + max( 2p1 , p2 ) , p3 )

Step of DP

Characterize

Recursively define

Compute


Implement 1.

Features of Implement 1.

小さい問題を

たくさん解いている 4

3 2 1 0

01 0

0

012

001

0

Analysis 1.

CutRodの実行時間 T(n) の再帰方程式

計算する

Improvement.

Memoize : メモ化

過去に解いた小問題を記録しておく

Bottom-up approach

小さいのから上へ積み上げる

Dynamic Programmingの特徴

Bottom-up

Analysis 2.

ButtomUpCutRod

O( n^2 ) : for for

MemoizedCutRod

O( n^2 ) らしい。

※Subproblem Graph.

小問題同士の関係をグラフ化

XからYに矢印がある : Xを解くのにYを使う

4 3 2 1 0

Step of DP

Characterize

Recursively define

Compute


Construct an optimal solution

例えばBottom-upを拡張する。

どの長さを選択するのか、記録する

一番最初の切断長だけ記録

7=2+2+3 -> 2を記録

7=2+5 と 5の解を利用すればいい

Extended Buttom-up Cut Rod

Output

出力例

N 1 2 3 4 5 6 7 8 9 10

P 1 5 8 9 10 17 17 20 24 30

R 1 5 8 10 13 17 18 22 25 30

S 1 2 3 2 2 6 1 2 3 10

7 = 1 + 6 = 2 + 2 + 3

最初の切断点が小さい方が優先

Caution

一般的に・・・

Speed – memory , trade off

Memoizeすれば確かに高速だけど・・・

§15.2 Matrix-chain multiplication

行列の列

例 < A1 , A2 , A3 , A4 >

A1 A2 A3 A4 を求める

求め方

例 ( A1 ( A2 ( A3 A4 ) ) )

Matrix Multiply (A, B) #01

A of (n,m) * B of (m, s) = AB of (n, s)

for I = 1 to n

for J = 1 to s

for K = 1 to m

c[I,J] += a[I,K] * b[K,J]


1ブロック：乗算2+加算2

ブロック数:2 * 3 = 6


A : ( P , Q ) , B : ( Q , R ) , AB : ( P , R )

ブロック数 : PR

乗算の数: Q , 全体で PQR

加算の数: Q : とりあえず無視


A1 : ( 10 , 100 ) , A2 : ( 100 , 5 ) , A3 : (5 , 50 )

A1 A2 A3 : ( 10 , 50 )

A1 A2 : 5000回の乗算 -> * A3 : 2500回の乗算

A2 A3 : 25000回の乗算 -> A1 * : 50000回の乗算

(A1 A2) A3 : 7500 << A1 (A2 A3) : 75000

Matrix-Chain Multiplication Problem

Matrices ( A1 A2 … An ) が与えられる

行列 Ai : ( pi-1, pi ) 型の行列

乗算回数を最も少なくするようにしたい

Number of Parenthesize

Parenthesize : 括弧をつける

括弧の付け方 ≒ 乗算のやり方

括弧の付け方の数：カタラン数

2nk)P(nP(k)P(n)

1P(1)

1n

1k

Number of Parenthesize

N=1 : ()

N=2 : (()) , ()()

N=3 : ((())) , (()()) , (())() , ()(()) , ()()()

Step of DP

Characterize

Recursively define

Compute


Split Product #01

I < K < J のとき

Ai Ai+1 … Aj = ( Ai … Ak ) ( Ak+1 … Aj)

このときの乗算回数は？

例題を思い出せば部分積での回数の和

Split Product #02

最適解を二つに分けても最適解？

最適解

もし部分和でより最適な部分解があれば

そもそも元の最適解が最適じゃない

構造がわかった

Step of DP

Characterize

Recursively define

Compute


Recursive Solution #01

積 Ai … Aj ( 1 <= I <= j <= n )

M[i][j] : 最小な積の回数

全体の問題の解 : M[1][n]


M[i][j]をどう定義するか (Rod Cutのように)

M[i][i] = 0

Ai … Aj = ( Ai … Ak ) ( Ak+1 … Aj)

M[i][j] = M[i][k] + M[k+1][j] + Pi-1 Pk Pj


分割位置 k は任意 ( I <= k <= J)

実際はMが最小になるような k が必要

}PPP1][j]M[k{M[i][k]M[i][j]

0M[i][i]

jk1ijki

min


本当に必要な情報はMではない

切断位置 k の情報が必要

S[i][j]にでも格納しておけばいい

Step of DP

Characterize

Recursively define

Compute


Computing #01

式を普通に計算する？

指数関数時間・・・

Keyword: Tabular and Bottom-up

Computing #02 – Imprement

実装はP375.

式より → M[i][i] = 0

For for で計算

S[i][j]に括弧の位置も記憶する

Step of DP

Characterize

Recursively define

Compute


Constructing

分離箇所の情報 S を使う

詳しくはP376,377

例題終わり

一般的なこと

§15.3 Elements of DP

DPをどういうときに使うか

2つの要素( ingredients )

1. Optimal Substructure

2. Overlapping Subproblem

Optimal Substructure

Step1で最適化問題をCharacterizeしている

最適解の中に小問題の最適解を含んでいた

Optimal Substructure と呼ぶ

これを見つけることがStep1の仕事

How to discover

見つけるときにどんなことをしている？

小問題に分けるための選択・切り分け

部分空間に分けている

Cut-and-paste

Cut-and-paste

Cut-out と Paste-in という技法

最適でない部分を取り除く

最適な解を取り入れる

全体として better な解になる

Space of Subproblems

出来るだけシンプルに保つ

Rod-cutting (Length n)

-> Rod-cutting (Length i)

Matrices (A1 … Aj)

-> (A1 … Ak) , (Ak+1 … Aj)

Optimal Substructure

全体の最適解のために、いくつの部分解を使うか

どの小問題を使うかをどれだけ選択するか

RodCut(n) -> 1つの小問題(length n-i) + iの選択(n)

Matrices(I,J) -> 2つの小問題 + 選択(j-i)

Runnnig Time

一般的な要因は２つ

全体での小問題の個数

選択の回数

Subproblem graphで解析できる

Graph -> Running Time

頂点(vertex)の個数 -> 小問題の個数

辺(edge)の個数 -> 選択の回数

4 3 2 1 0

N vertices, N edges / vertex. -> O(n^2)

Cost

ボトムアップ

小問題のコスト＋それ自身を選ぶコスト

Rod-cuttingの例

小問題 n 個(Length 0,1,….,n-1)

Nのどこで切るかを選択 ( nパターン )

切断しない、というコスト (pn)

Without optimal substructure

最適解を分割して求められない

部分最適解の和が全体の最適解にならない

例はグラフのLongest Simple Path (P381)

Independentかどうかが大切(P383)

資源とか情報を使うかどうか・・・

Overlapping Subproblem

小問題は元の問題より小さくなる

同じ問題が何度も出てくる

Overlapping Subproblem

Divide-and-conqureとの違い

Divide-and-conquer

分割の時に似た問題を作る

同じ問題は出てこないかも( quick sort )

Tabularが使えない

DPでは表に結果を蓄積して高速化

※ Memoize

トップダウン用の技術

過去の計算情報を保存

上手く使えば効率的

詳しくは第三版P387-389

例題ラッシュ

§15.4 LCS

Longest Common Subsequence

例えばDNA配列のLCSを求める

Sequence X := < x1 , x2 , … , xm >

Subsequence Z of X := < z1 , z2 , … , zk >

Increasingly <i1 , i2 , … ik >が存在すること

Example

X = < A , B , C , B , D , A , B >

Z = < B , C , A >

Z は X の Subsequence ( I = < 2 , 3 , 6 >)

Common and Longest

Common Sequence Z of X and Y

Z は X と Y の両方のSubsequence

Longest Common Subsequence Z of X and Y

CS の中でもっとも長いもの

Step of DP

Characterize

Recursively define

Compute


Characterize LCS #01

X ( Length m ) -> 2^m パターン

X = < x1 , x2 , … , xm > とするとき

Xi = < x1 , x2 , … , xi > とする ( I <= m)

Characterize LCS #02

Theorem 15.1 ( P392 ) LCS’s optimal substructure

X = < x1 , … , xm > , Y = < y1 , … , yn >

Z を X と Y のLCSとする。 Z = < z1 , … , zk >

Theorem 15.1

xm=yn -> zk=xm=yn で Zk-1 が Xm-1 と Yn-1 の LCS

xm != yn

zk != xm -> Z は Xm-1 と Y の LCS

zk != yn -> Z は X と Yn-1 の LCS

証明はP392

Step of DP

Characterize

Recursively define

Compute


C[i][j] : LCS の長さ

再帰的に定義する(式15.9)

C[0][0] = 0

xi = yi -> c[i][j] = c[i-1][j-1] + 1

xi != yi -> c[i][j-1]とc[i-1][j]の大きい方

Step of DP

Characterize

Recursively define

Compute


Compute / Imprement

P394

For for で計算

長さの情報C[i][j]と向きの情報B[i][j]を確保

向きの情報はStep4で使う

Step of DP

Characterize

Recursively define

Compute


Constructing

図はP395

§15.5 Optimal binary search tree

昇順でK=<k1, k2, … , kn>が与えられる

二分探索木を作りたい

N個の接点とN+1個のダミーの値を持つ

接点kiに対する確率piが与えられる

Binary Search Tree

n = 5 の例

k2

k1 k3

k5k4d0 d1

d2 d3 d4 d5

i 0 1 2 3 4 5

pi - 0.15 0.10 0.05 0.10 0.20

qi 0.05 0.10 0.05 0.05 0.05 0.10

ダミー（Kに入ってない）

kiへの探索確率 pi diへの探索確率 qi

Problem

二分探索木の形は一意に決まるわけではない

kiへの探索が成功、diへの探索が失敗

確率が与えられてるから期待値が出せる

n

1i

n

0i

n

1i

n

0i

idepth(di)qidepth(ki)p1

qi1)depth(di)(1)pi(depth(ki)

Problem

期待値が最良になる二分探索木を求める

Step1. ~ Step4. (P399~404)

問題

Problem. of DP. #01

Ex15-1 : Longest simple path in a directed acyclic

graph

Ex15-2 : Longest Palindrome subsequence

Ex15-3 : Bitonic euclidean traveling-salesman

problem

Ex15-4 : Printing neatly

Problem. of DP. #02

Ex15-5 : Edit distance

Ex15-6 : Planning a company party

Ex15-7 : Viterbi algorithm

Ex15-8 : Image Compression by seam carving

Problem. of DP. #03

Ex15-9 :Breaking a string

Ex15-10 : Planning a investment strategy

Ex15-11 : Inventory planning

Ex15-12 : Signing free-agent baseball players

問題ラッシュおしまい

History of DP.

1955. R. Bellman (1920-1984)

動的計画法（最適性の原理）

次元の呪い

Sec15 dynamic programming

Technology

Transcript of Sec15 dynamic programming