cdn fix more

2025-11-17 14:04:52 +08:00
parent 7dc4714ae9
commit 0852e12118
25 changed files with 22539 additions and 0 deletions
--- a/Html/apps/static/68bacdfadf5aeae0912f7f18-第五章：动态规划-动态规划原理.html
+++ b/Html/apps/static/68bacdfadf5aeae0912f7f18-第五章：动态规划-动态规划原理.html
@@ -0,0 +1,240 @@
+
+    <!DOCTYPE html>
+    <html>
+    <head>
+        <meta charset="UTF-8">
+        <title>Document</title>
+        <!-- 你的其他样式 -->
+        
+    <script src="https://cdn.jsdelivr.net/npm/mathjax@3/es5/tex-mml-chtml.js"></script>
+    <script>
+        MathJax.config = {
+            tex: {
+                inlineMath: [['$', '$'], ['\(', '\)']]
+            },
+            svg: {
+                fontCache: 'global'
+            }
+        };
+    </script>
+    
+    </head>
+    <body>
+        <h1>动态规划原理</h1>
+<h2>动态规划原理</h2>
+<h3>自顶而下的分治 vs. 自底向上的动态规划</h3>
+<p>分治法：面对规模为 <em>n</em> 的问题，从<strong>顶层</strong>出发，将其拆为若干个更小的子问题，分别求解后<strong>合并</strong>。</p>
+<p>动态规划（DP）：当<strong>同一子问题重复出现</strong>时，与其一再从顶层“把问题拆碎”，不如记录子问题的答案，并按规模<strong>从小到大</strong>把所有需要的子问题一次性求出来。
+<br></p>
+<h4>什么才算“同一”子问题</h4>
+<p>与AI教师讨论，如何区分“相同规模的子问题”和“同一（可复用的）子问题”</p>
+<h3>切绳（Rod Cutting）问题</h3>
+<p>给定一根长度为 <em>n</em> 的绳子，价格表 <code>price[i]</code> 表示长度为 <em>i</em> 的一段可以卖出的价格。允许将绳子切成多段出售，目标是使总收益最大。</p>
+<h4>分治法与时间复杂度</h4>
+<p>设 <code>R(n)</code> 为长度 <em>n</em> 的最大收益：</p>
+<section>
+<eqn> R(0) = 0, R(1)=price[1] </eqn>
+</section>
+<section>
+<eqn> R(n) = max_{1 ≤ i ≤ n} ( price[i] + R(n - i) ) </eqn>
+</section>
+<p><strong>纯递归分治</strong>会对同一规模的子问题多次求解，子问题规模组合数呈指数级，时间复杂度为 <strong>O(n^n)</strong> 量级。</p>
+<h4>记忆化（自顶向下）</h4>
+<p>思想：用哈希表/数组 <code>memo[n]</code> 记录 <code>R(n)</code>。当再次需要 <code>R(n)</code> 时，直接返回已存结果，避免重复计算。</p>
+<ul>
+<li><strong>复杂度</strong>：时间 <strong>O(n^2)</strong>（外层 n，内层枚举切第一刀 i），空间 <strong>O(n)</strong>。</li>
+</ul>
+<p><strong>代码任务 A：实现记忆化递归（Top-Down）</strong></p>
+<pre><code class="language-python">def rod_cut_topdown(price: dict[int, int], n: int, memo: list[int]) -&gt; int:
+    &quot;&quot;&quot;
+    返回长度 n 的最大收益（记忆化递归）。
+    TODO:
+      1) 处理 n==0；2) 命中 memo 直接返回；3) 枚举第一刀长度 i；4) 写回 memo[n]。
+    &quot;&quot;&quot;
+    pass
+</code></pre>
+<h4>自底向上（反向记忆化）</h4>
+<p>将规模从小到大推进：<code>dp[x]</code> 表示长度 <code>x</code> 的最优收益。
+<strong>代码任务 B：实现自底向上（Bottom-Up）</strong></p>
+<pre><code class="language-python">def rod_cut_bottomup(price: dict[int, int], n: int) -&gt; int:
+    &quot;&quot;&quot;
+    返回长度 n 的最大收益（自底向上）。
+    TODO:
+      1) 初始化 dp[0]=0；2) for x in 1..n：dp[x] = max_{1..x}( price[i] + dp[x-i] )
+    &quot;&quot;&quot;
+
+&quot;&quot;&quot;
+以下内容无需修改，注意将你实现的rod_cut_topdown代码复制过来
+&quot;&quot;&quot;
+
+import time
+import random
+import signal
+from functools import wraps
+
+
+#超时异常定义
+class TimeoutError(Exception):
+    pass
+
+#超时装饰器
+def timeout(seconds):
+    def decorator(func):
+        @wraps(func)
+        def wrapper(*args, **kwargs):
+            # 定义超时处理函数
+            def handle_timeout(signum, frame):
+                raise TimeoutError(f&quot;Function {func.__name__} timed out after {seconds} seconds&quot;)
+            
+            # 设置信号处理
+            signal.signal(signal.SIGALRM, handle_timeout)
+            signal.alarm(seconds)  # 触发超时
+            
+            try:
+                result = func(*args, **kwargs)
+                return result
+            finally:
+                signal.alarm(0)  # 取消超时
+        return wrapper
+    return decorator
+
+#带超时的纯递归实现（用于对比）
+@timeout(1)  # 1秒超时
+def rod_cut_recursive(price: dict[int, int], n: int) -&gt; int:
+    if n == 0:
+        return 0
+    max_rev = -float('inf')
+    for i in range(1, n + 1):
+        if i in price:
+            max_rev = max(max_rev, price[i] + rod_cut_recursive(price, n - i))
+    return max_rev
+
+
+#对比实验
+def compare_algorithms():
+    # 生成测试用的价格表（随机生成1到10的价格）
+    max_length = 50
+    price = {i: random.randint(1, 10) for i in range(1, max_length + 1)}
+    
+    print(f&quot;{'n':&lt;5} {'递归(ms)':&lt;10} {'记忆化(ms)':&lt;12} {'自底向上(ms)':&lt;15}&quot;)
+    print(&quot;-&quot; * 50)
+    
+    # 测试n从10到50的情况
+    for n in range(10, 51, 5):
+        # 纯递归（带超时处理）
+        try:
+            start = time.time()
+            recursive_result = rod_cut_recursive(price, n)
+            recursive_time = (time.time() - start) * 1000
+        except TimeoutError:
+            recursive_result = &quot;超时&quot;
+            recursive_time = &quot;&gt;1000&quot;
+        
+        # 记忆化递归
+        memo = [-1] * (n + 1)
+        start = time.time()
+        topdown_result = rod_cut_topdown(price, n, memo)
+        topdown_time = (time.time() - start) * 1000
+        
+        # 自底向上
+        start = time.time()
+        bottomup_result = rod_cut_bottomup(price, n)
+        bottomup_time = (time.time() - start) * 1000
+        
+        # 验证结果一致性（仅当递归未超时）
+        if isinstance(recursive_result, int):
+            assert recursive_result == topdown_result == bottomup_result, f&quot;结果不一致 for n={n}&quot;
+        
+        # 输出结果
+        print(f&quot;{n:&lt;5} {recursive_time:&lt;10} {topdown_time:&lt;12.4f} {bottomup_time:&lt;15.4f}&quot;)
+
+if __name__ == &quot;__main__&quot;:
+    compare_algorithms()
+</code></pre>
+<p>完成上面的代码，讨论实验对比结果。</p>
+<h3>动态规划的“组成”：如何写出一个 DP</h3>
+<h4><strong>四大组成</strong></h4>
+<ul>
+<li><strong>状态空间</strong>：用最少的下标（或维度）刻画子问题（如 <code>dp[i]</code>、<code>dp[i][j]</code>）。</li>
+<li><strong>状态转移</strong>：写出“从更小状态到当前状态”的递推/转移式。</li>
+<li><strong>边界条件</strong>：初始已知的最小规模答案（如 <code>dp[0]=0</code>）。</li>
+<li><strong>解的恢复（部分题目可能不需要）</strong>：若需输出方案/路径，记录子问题选择来源（从那个子问题的答案转移而来）（如 <code>choice[i][j]</code>）。</li>
+</ul>
+<h4><strong>两大性质</strong>：</h4>
+<ul>
+<li><strong>最优子结构</strong>：全局最优由若干子问题的最优解组合而成；</li>
+<li><strong>重复子问题</strong>：不同路径会遇到同一个（或等价的）子问题。</li>
+</ul>
+<h3>例题：矩阵连乘（Matrix-Chain Multiplication, MCM）</h3>
+<h4>问题描述</h4>
+<p>矩阵乘法有严格的维度匹配要求：只有前一个矩阵的列数 = 后一个矩阵的行数，才能相乘。
+即：
+矩阵 A：维度为 m × k（共 m 行、k 列）
+矩阵 B：维度为 k × n（共 k 行、n 列）
+矩阵 C = A×B，维度为 m × n
+产生标量乘法次数为 <code>m×n×k</code>
+给定矩阵链 <code>A₁A₂…Aₖ</code>，维度数组 <code>p[0..k]</code> 满足 <code>Aᵢ</code> 大小为 <code>p[i-1] × p[i]</code>。目标：只改变乘法<strong>括号化顺序</strong>，最小化标量乘法次数。</p>
+<h4>递推与 DP 表</h4>
+<p>令 <code>m[i][j]</code> 表示从 <code>Aᵢ…Aⱼ</code> 的最小乘法次数（1-index）。则：</p>
+<section>
+<eqn> m[i][i] = 0 </eqn>
+</section>
+<section>
+<eqn> m[i][j] = min_{i ≤ k < j} ( 尝试推导一下这里的转移式 ) </eqn>
+</section>
+<h4>记录断点</h4>
+<p>令 <code>s[i][j]</code> 存储从 <code>Aᵢ…Aⱼ</code> 的最优断点。
+<eq>$ s[i][j] = k \text{ if } m[i][j] == 与上面的式子一样 $</eq></p>
+<h4>代码任务</h4>
+<pre><code class="language-python">def matrix_chain_order(p: list[int]) -&gt; tuple[list[list[int]], list[list[int]]]:
+    &quot;&quot;&quot;
+    返回 (m, s)，m[i][j] 为最小代价，s[i][j] 为最优断点。
+    TODO: 长度 n = len(p)-1；按区间长度 L=2..n 填表。
+    &quot;&quot;&quot;
+    ...
+
+def print_optimal_parens(s: list[list[int]], i: int, j: int) -&gt; str:
+    &quot;&quot;&quot;根据断点矩阵 s 输出最优括号化方案&quot;&quot;&quot;
+    if i == j:
+        return f&quot;A{i}&quot;
+    else:
+        return f&quot;({print_optimal_parens(s, i, s[i][j])}&quot; \
+               f&quot;{print_optimal_parens(s, s[i][j]+1, j)})&quot;
+
+#测试验证部分
+if __name__ == &quot;__main__&quot;:
+    # 经典测试案例
+    p = [30, 35, 15, 5, 10, 20, 25]
+    expected_result = 15125
+    
+    # 计算最优解
+    m, s = matrix_chain_order(p)
+    n = len(p) - 1
+    result = m[1][n]
+    
+    # 输出测试结果
+    print(f&quot;矩阵维度数组: {p}&quot;)
+    print(f&quot;矩阵数量: {n}&quot;)
+    print(f&quot;计算得到的最小标量乘法次数: {result}&quot;)
+    print(f&quot;预期的最小标量乘法次数: {expected_result}&quot;)
+    print(f&quot;测试{'通过' if result == expected_result else '失败'}&quot;)
+    print(f&quot;最优括号化方案: {print_optimal_parens(s, 1, n)}&quot;)
+    
+    # 额外测试案例
+    p2 = [40, 20, 30, 10, 30]
+    m2, s2 = matrix_chain_order(p2)
+    print(&quot;\n第二个测试案例:&quot;)
+    print(f&quot;矩阵维度数组: {p2}&quot;)
+    print(f&quot;最小标量乘法次数: {m2[1][4]}&quot;)  # 预期结果为 26000
+    print(f&quot;最优括号化方案: {print_optimal_parens(s2, 1, 4)}&quot;)
+
+</code></pre>
+<h4>综合讨论</h4>
+<ul>
+<li>何时选“记忆化 Top-Down”，何时选“自底向上表格法”？</li>
+<li>如何从“纯递归”快速判断是否值得改造成 DP？</li>
+</ul>
+
+    </body>
+    </html>
+