这是《算法导论》第 3 版的练习 15.5-4,是关于 Knuth 对最优二叉搜索树的 DP 方法的改进。
最优二叉搜索树的DP算法为:
OPTIMAL_BST(p, q, n)
let e[1..n+1, 0..n], w[1..n+1, 0..n], and root[1..n, 1..n] be new tables
for i = 1 to n+1
e[i, i - 1] = q[i - 1];
w[i, i - 1] = q[i - 1];
for l = 1 to n
for i = 1 to n - l + 1
j = i + l - 1
e[i, j] = INFINITY
w[i, j] = w[i, j - 1] + p[j] + q[j]
for r = i to j
t = e[i, r - 1] + e[r + 1, j] + w[i, j]
if t < e[i, j]
e[i, j] = t
root[i, j] = r
return e and root
复杂度为 O(n3)。
Knuth 观察到 root[i, j - 1] <= root[i, j] <= root[i + 1, j]
, 所以练习 15.5-4 要求通过对原始算法做一些修改来实现 O(n2) 算法。
好吧,经过一番努力,我想通了:在最里面的循环中,替换行
for r = i to j
与
for r = r[i, j - 1] to r[i + 1, j]
此链接已证明这一点:Optimal binary search trees
但是,我不确定这是否真的是 O(n2):因为在每个最内层循环中,从 r[i, j - 1] 到 r[i + 1, j] 的距离] 不是常量,我怀疑它仍然是 O(n3)。
所以我的问题是:你能解释一下为什么对 DP 算法的改进会产生 O(n2) 的复杂度吗?
PS:也许我可能先阅读了 Knuth 的论文,但实际上我在网上搜索但没有发现可以免费访问该论文。
最佳答案
你是对的,从 r[i, j - 1]
到 r[i + 1, j]
的距离在最坏的情况下不是常数,但平均而言它是恒定的,这足以暗示二次运行时间。 l
的总迭代次数是
S = sum_{i = 1}^{n - l + 1} (r[i + 1, j] + 1 - r[i, j - 1]), j = i + l - 1
= sum_{i = 1}^{n - l + 1} (r[i + 1, i + l - 1] + 1 - r[i, i + l - 2])
= r[n - l + 2, n] + n - l + 1 - r[1, l - 1]
因此平均值是S/(n - l + 1),这是一个常数
通过简化伸缩和。
关于algorithm - 动态规划 : Why Knuth's improvement to Optimal Binary Search Tree O(n^2)?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/16987670/