⑴ 動態規劃演算法對所有問題都能得到整體最優解嗎為什麼
1、基本概念：
動態規劃就是：每走一步，都會根據之前的情況來決定這一步的走向，所以，這種多階段最優化決策解決問題的過程就稱為動態規劃。
2、基本思想與策略：
與分治法類似，也是將待求解的問題分解為若干個子問題（階段），按順序求解子階段，前一子問題的解，為後一子問題的求解提供了有用的信息。在求解任一子問題時，列出各種可能的局部解，通過決策保留那些有可能達到最優的局部解，丟棄其他局部解。依次解決各子問題，最後一個子問題就是初始問題的解。
由於動態規劃解決的問題多數有重疊子問題這個特點，為減少重復計算，對每一個子問題只解一次，將其不同階段的不同狀態保存在一個二維數組中。
與分治法最大的差別是：適合於用動態規劃法求解的問題，經分解後得到的子問題往往不是互相獨立的（即下一個子階段的求解是建立在上一個子階段的解的基礎上，進行進一步的求解）。
3、經典例題：
這里我們用2個經典例題來解釋到底什麼是動態規劃。
⑵ 《股票最優投資組合案例研究 ——基於風險結合的動態規劃法 》作者是誰
趙和平
⑶ 動態規劃演算法 通俗的講解一下
這種技術採用自底向上的方式遞推求值，將待求解的問題分解成若干個子問題，先求解子問題，並把子問題的解存儲起來以便以後用來計算所需要求的解。簡言之，動態規劃的基本思想就是把全局的問題化為局部的問題，為了全局最優必須局部最優。多階段決策問題是根據問題本身的特點，將其求解的過程劃分為若干個相互獨立又相互聯系的階段，在每一個階段都需要做出決策，並且在一個階段的決策確定以後再轉移到下一個階段，在每一階段選取其最優決策，從而實現整個過程總體決策最優的目的
⑷ 動態規劃演算法程序例子
給你導彈攔截的吧：
[問題描述]
某國為了防禦敵國的導彈襲擊，發展出一種導彈攔截系統。但是這種導彈攔截系統有一個缺陷：雖然它的第一發炮彈能夠到達任意的高度，但是以後每一發炮彈都不能高於前一發的高度。某天，雷達捕捉到敵國的導彈來襲。由於該系統還在試用階段，所以只有一套系統，因此有可能不能攔截所有的導彈。
輸入導彈依次飛來的高度（雷達給出的高度數據是不大於30000的正整數，每個數據之間至少有一個空格），計算這套系統最多能攔截多少導彈，如果要攔截所有導彈最少要配備多少套這種導彈攔截系統。
[輸入輸出樣例]
INPUT：
389 207 155 300 299 170 158 65
OUTPUT：
6（最多能攔截的導彈數）
2（要攔截所有導彈最少要配備的系統數）
[問題分析]
我們先解決第一問。一套系統最多能攔多少導彈，跟它最後攔截的導彈高度有很大關系。假設a[i]表示攔截的最後一枚導彈是第i枚時，系統能攔得的最大導彈數。例如，樣例中a[5]=3，表示：如果系統攔截的最後一枚導彈是299的話，最多可以攔截第1枚（389）、第4枚（300）、第5枚（299）三枚導彈。顯然，a[1]~a[8]中的最大值就是第一問的答案。關鍵是怎樣求得a[1]~a[8]。
假設現在已經求得a[1]~a[7]（註：在動態規劃中，這樣的假設往往是很必要的），那麼怎樣求a[8]呢？a[8]要求系統攔截的最後1枚導彈必須是65，也就意味著倒數第2枚被攔截的導彈高度必須不小於65，則符合要求的導彈有389、207、155、300、299、170、158。假如最後第二枚導彈是300，則a[8]=a[4]+1；假如倒數第2枚導彈是299，則a[8]=a[5]+1；類似地，a[8]還可能是a[1]+1、a[2]+1、……。當然，我們現在求得是以65結尾的最多導彈數目，因此a[8]要取所有可能值的最大值，即a[8]=max{a[1]+1,a[2]+1,……，a[7]+1}=max{a[i]}+1 (i=1..7)。
類似地，我們可以假設a[1]~a[6]為已知，來求得a[7]。同樣，a[6]、a[5]、a[4]、a[3]、a[2]也是類似求法，而a[1]就是1，即如果系統攔截的最後1枚導彈是389，則只能攔截第1枚。
這樣，求解過程可以用下列式子歸納：
a[1]=1
a[i]=max{a[j]}+1 （i>1，j=1,2,…,i-1，且j同時要滿足：a[j]>=a[i]）
最後，只需把a[1]~a[8]中的最大值輸出即可。這就是第一問的解法，這種解題方法就稱為「動態規劃」。
第二問比較有意思。由於它緊接著第一問，所以很容易受前面的影響，多次採用第一問的辦法，然後得出總次數，其實這是不對的。要舉反例並不難，比如長為7的高度序列「7 5 4 1 6 3 2」， 最長不上升序列為「7 5 4 3 2」，用多次求最長不上升序列的結果為3套系統；但其實只要2套，分別擊落「7 5 4 1」與「6 3 2」。所以不能用「動態規劃」做，那麼，正確的做法又是什麼呢？
我們的目標是用最少的系統擊落所有導彈，至於系統之間怎麼分配導彈數目則無關緊要，上面錯誤的想法正是承襲了「一套系統盡量多攔截導彈」的思維定勢，忽視了最優解中各個系統攔截數較為平均的情況，本質上是一種貪心演算法，但貪心的策略不對。如果從每套系統攔截的導彈方面來想行不通的話，我們就應該換一個思路，從攔截某個導彈所選的系統入手。
題目告訴我們，已有系統目前的瞄準高度必須不低於來犯導彈高度，所以，當已有的系統均無法攔截該導彈時，就不得不啟用新系統。如果已有系統中有一個能攔截該導彈，我們是應該繼續使用它，還是另起爐灶呢？事實是：無論用哪套系統，只要攔截了這枚導彈，那麼系統的瞄準高度就等於導彈高度，這一點對舊的或新的系統都適用。而新系統能攔截的導彈高度最高，即新系統的性能優於任意一套已使用的系統。既然如此，我們當然應該選擇已有的系統。如果已有系統中有多個可以攔截該導彈，究竟選哪一個呢？當前瞄準高度較高的系統的「潛力」較大，而瞄準高度較低的系統則不同，它能打下的導彈別的系統也能打下，它夠不到的導彈卻未必是別的系統所夠不到的。所以，當有多個系統供選擇時，要選瞄準高度最低的使用，當然瞄準高度同時也要大於等於來犯導彈高度。
解題時用一個數組sys記下當前已有系統的各個當前瞄準高度，該數組中實際元素的個數就是第二問的解答。
[參考程序]
program noip1999_2;
const max=1000;
var i,j,current,maxlong,minheight,select,tail,total:longint;
height,longest,sys:array [1..max] of longint;
line:string;
begin
write('Input test data:');
readln(line); {輸入用字元串}
i:=1;
total:=0; {飛來的導彈數}
while i<=length(line) do {分解出若干個數，存儲在height數組中}
begin
while (i<=length(line)) and (line[i]=' ') do i:=i+1; {過濾空格}
current:=0; {記錄一個導彈的高度}
while (i<=length(line)) and (line[i]<>' ') do {將一個字元串變成數}
begin
current:=current*10+ord(line[i])-ord('0');
i:=i+1
end;
total:=total+1;
height[total]:=current {存儲在height中}
end;
longest[1]:=1; {以下用動態規劃求第一問}
for i:=2 to total do
begin
maxlong:=1;
for j:=1 to i-1 do
begin
if height[i]<=height[j]
then if longest[j]+1>maxlong
then maxlong:=longest[j]+1;
longest[i]:=maxlong {以第i個導彈為結束，能攔截的最多導彈數}
end;
end;
maxlong:=longest[1];
for i:=2 to total do
if longest[i]>maxlong then maxlong:=longest[i];
writeln(maxlong); {輸出第一問的結果}
sys[1]:=height[1]; {以下求第二問}
tail:=1; {數組下標，最後也就是所需系統數}
for i:=2 to total do
begin
minheight:=maxint;
for j:=1 to tail do {找一套最適合的系統}
if sys[j]>height[i] then
if sys[j]<minheight then
begin minheight:=sys[j]; select:=j end;
if minheight=maxint {開一套新系統}
then begin tail:=tail+1; sys[tail]:=height[i] end
else sys[select]:=height[i]
end;
writeln(tail)
end.
[部分測試數據]
輸入1：300 250 275 252 200 138 245
輸出1：
5
2
輸入2：181 205 471 782 1033 1058 1111
輸出2：
1
7
輸入3：465 978 486 476 324 575 384 278 214 657 218 445 123
輸出3：
7
4
輸入4：236 865 858 565 545 445 455 656 844 735 638 652 659 714 845
輸出4：
6
7
夠詳細的吧
⑸ 動態規劃演算法（pascal）
在計算夠不夠開銷時
20%這個數據是廢的
你可以先減去預算再考慮存多少錢
比如手頭錢的數目為a
預算為b
存在媽媽處的錢為c
可以先從a中減去b
然後c就等於c+a div 100 *100
var 略
begin
a:=0;
c:=0;
bo:=true;
for i:=1 to 12 do
begin
read(b[i]);
inc(a,300);
if a<b[i] then begin
writeln(i);
bo:=false;
break;
end
else begin
c:=c+a div 100*100;
dec(a,b[i]);
a:=a mod 100;
end;
end;
if bo then writeln(a+c+c div 5);
end.
⑹ 動態規劃演算法怎麼計算
動態規劃演算法：
（1）分析最優解的性質，並刻畫其結構特徵。
（2）遞歸的定義最優解。
（3）以自底向上或自頂向下的記憶化方式（備忘錄法）計算出最優值。
（4）根據計算最優值時得到的信息，構造問題的最優解。
⑺ 詳解動態規劃演算法
其實你可以這么去想。
能用動態規劃解決的問題，肯定能用搜索解決。
但是搜素時間復雜度太高了，怎麼優化呢？
你想到了記憶化搜索，就是搜完某個解之後把它保存起來，下一次搜到這個地方的時候，調用上一次的搜索出來的結果。這樣就解決了處理重復狀態的問題。
動態規劃之所以速度快是因為解決了重復處理某個狀態的問題。
記憶化搜索是動態規劃的一種實現方法。
搜索到i狀態，首先確定要解決i首先要解決什麼狀態。
那麼那些狀態必然可以轉移給i狀態。
於是你就確定了狀態轉移方程。
然後你需要確定邊界條件。
將邊界條件賦予初值。
此時就可以從前往後枚舉狀態進行狀態轉移拉。
⑻ 動態規劃實現排隊買票演算法
不考慮時間效率就用遞歸。
比如讓第一二人組隊。加上後面所有人的時間得到總的時間T1
同理讓第二三人組隊，加上第一個人的時間和後面所有人的時間得到總的時間T2
在T1 T2 中選擇小的為最終方案。
其中：加上後面所有人的時間得到總的時間，
加上第一個人的時間和後面所有人的時間得到總的時間，
又是規模較小的買票事件（即遞歸）
這樣做簡單好理解（前提是理解遞歸），但是時間很慢。
⑼ 動態規劃演算法的基本思想是什麼
DP一定有狀態，而貪心只是說這個題目最有滿足什麼條件就能得到最優解的情況
一般DP必須得求出他的狀態和轉移方程
⑽ 排隊買票問題的動態規劃演算法
如果前i個人買票的最優買票方式一確定，比如第i-1個人買一張票，則前i-1個人的買票方式也一定是最優的。即問題的最優解包含子問題的最優解。
步驟1：用F（i）表示前i個人買票的最優方式，即所需最短時間；現在要決定F(i)需要考慮兩種情況：
（1）第i個人的票自己買
（2）第i個人的票由第i-1個人買