动态规划之——矩阵连乘(全网最详细博文,看这一篇就够了!)

动态规划之矩阵连乘问题 目录 矩阵连乘问题简介 举例说明并详细分析 备注 代码块 测试结果 矩阵连乘问题简介1设计求解具体问题的动态规划算法的第一步是刻画该问题的最优解结构特征。为方便起见,将矩阵连乘积A(i)A(i+1)…A(j)简记为A[i:j]。考察计算A[1:n]的最优计算次序。设这个计算次序在矩阵A(k)和A(k+1)之间将矩阵链断开,(1<=k小于n),则其相应的完全加括号方式为((A1…Ak)(Ak+1…An 阅读详情
AI摘要

本文深入探讨矩阵连乘问题,讲解动态规划算法在解决矩阵连乘最少计算次数问题中的应用,包括最优子结构、递推式及自底向上计算方法。

                       动态规划之——矩阵连乘(全网最详细博文)

什么是矩阵


首先,要了解什么是矩阵连乘问题,当然得先了解什么是矩阵了,学过线性代数的同学应该都知道,所以这里就简单的介绍一下什么是矩阵:

在数学中,矩阵(Matrix)是一个按照长方阵列排列的复数或实数集合。例如:一个n*m的矩阵A=[a[i,j]]就是像下面一样的一个有着n行m列的二维数组:

具体例子:下面就是一个普通的4x5的矩阵:

什么是矩阵连乘问题


首先,学过线性代数的同学知道,一个p*q的矩阵A和一个q*r的矩阵B的乘积是一个新的p*r的矩阵C,计算公式如下:

其中1<=i<=p并且1<=j<=r。

具体是如何计算的,相信大家只要学了线性代数的基础,应该都能够解决,下面就举一个简单的例子:

矩阵A(3*3)和矩阵B(3*2)的乘积是一个新的3*2的矩阵:

矩阵连乘的特点


  • 如果存在两个矩阵A和B,如果AB能够计算乘积,则BA不一定能够计算乘积。

例如:A=3*2, B=2*4,则按照AB的乘积计算顺序能够计算(A的列数2等于B的行数2),但按照BA的乘积计算顺序却不能够计算(B的列数4不等于A的行数3)。

  • 即使存在两个矩阵A和B,满足AB能够相乘,BA也能够相乘,但最后得出来的矩阵却很有可能是不一样的。
  • 矩阵连乘可以被递归成如下形式:

  • 矩阵连乘无论按照什么样的乘积顺序,最后计算出来的矩阵虽然“样子”不一样,但是计算出来的值却无论如何都是一样的。

矩阵连乘复杂度分析


假设有一个p*q的矩阵A和q*r的矩阵B,则他们的乘积矩阵C=AB按照如下方式计算:

我们发现,矩阵C的规模应该为【p*r】,则矩阵C应该一共有【p*r】个实体并且每个实体需要【q】次的计算才能够算出来,因此,为了计算矩阵C的值,我们一共需要执行【p*q*r】这么多次计算。

因此,我们可以近似的认为矩阵连乘的复杂度就是矩阵连乘所需要的总次数,即O(p*q*r)。

矩阵连乘的计算次数与计算顺序的关系


假设有一个p*q规模的矩阵A,一个q*r规模的矩阵B,并且我们现在再加上一个规模为r*s的矩阵C,那么这三个矩阵的乘积ABC有两种计算顺序:

  •  (AB)C
  •    A(BC)

那么,肯定有同学要问了,这两种计算顺序有什么不同吗?无论采用哪种计算顺序他们的结果肯定都是一样的啊!那我们为什么要纠结它们的计算顺序呢?不是多此一举吗?

那就让我们来“探索”一下,这两种计算顺序有什么不同吧:

对于第一种计算顺序来说,总共需要的计算次数为:

因为AB共需要计算【p*q*r】次,并且生成一个规模为【p*r】的中间矩阵,这个中间矩阵再与矩阵C相乘,又需要计算【p*r*s】次,并且生成一个规模为【p*s】的矩阵,这个矩阵也就是最后的结果,因此,按照第一种顺序计算,一共需要的计算次数如下:

同理,按照第二种计算顺序,我们一共需要计算下面这么多次:

此时同学们注意了!!!好像两种计算顺序分别所需要的计算次数竟然是不一样的!!!那么,让我们把真实数据带入,来看一看差距有多大吧:

假设p=5,q=4,r=6并且s=2,则:

大的不同!按照第一种计算顺序,我们需要计算180次,而按照第二种计算顺序,我们只需要计算88次就够了!!!但是这两种顺序计算出来的矩阵的值却始终是一样的,真是太神奇了,计算顺序竟然能够影响所需要的计算次数,因此,对于矩阵连乘来说,计算顺序是非常重要的!

矩阵连乘问题


问题描述;

给你一系列的矩阵A1,A2,A3,......,An和一系列的整数P0,P1,P2......,Pn,每个矩阵 Ai 的规模为Pi-1 * Pi。

现在,请你计算这些矩阵连乘所需要的最少的计算次数是多少?

针对这道题目,其实我们可以很清晰的认识到,需要找出最少的计算次数,就是需要我们找到“正确”的计算顺序!

此时肯定有同学会想到,我们可以使用暴力破解啊!循环算出所有可能的计算顺序的计算次数,然后取最小计算次数的那一个,就是我们需要的结果,例如,求A1A2A3A4,我们可以暴力循环出下面4种计算顺序来:

虽然这种方法确实也能够计算出最少计算次数,但是,我们知道暴力循环的复杂度是非常高的,如果我们需要计算的矩阵序列不止4个矩阵,而是很长的一串矩阵序列,那么将会非常的耗时,我们有这个时间计算最少计算次数,还不如随便找一个计算顺序直接算得了。暴力搜索的时间复杂度如下:

难道,我们就只能用暴力算法了吗?当然不是,接下来就是我们的重头戏:DP(动态规划)了。


使用动态规划算法解决矩阵连乘


  1. 找出最优子结构,在本问题中,即找出如何划分“括号”的方法。

首先,让我们把复杂的问题分解成子问题,对于每一对的 i 和 j ,都有1<=i<=j<=n,此时,我们只要确定了对于Ai..j=AiAi+1...Aj的乘积顺序,即如何“划分括号”,就决定了这一次乘积所需要的总计算次数。所以,我们只要找到一个乘积所需计算次数最小的计算顺序(打括号方式),就是我们的最优子结构。

特别的是,我们应该注意到,Ai...j的最后乘积结果是一个规模为【Pi-1*Pj】大小的矩阵。

我们前面讲了这么多,要想找到最少的计算次数,那么就必须要找到相对应的计算顺序,可是,计算顺序是一个抽象的东西,那么在我们这个问题里,计算顺序的具体体现是什么呢?

让我们这样来想,无论我们以一个什么样的乘法顺序来计算,最后一步都是一样的,即把最后生成的两个中间矩阵Ai...k和Ak+1...j相乘,其中k可以是在合法范围内的任意一个值:

让我们来举个例子:

此时,K=5,即应用该种计算顺序时,最后一步的乘积状态为A3...5*A6...6。

因此,决定最优乘积计算顺序的问题就可以分解为下面两个子问题:

  • 我们应该在乘积序列中的哪一个地方使用大括号把该序列分成两个子序列呢?(即K的值到底应该设为多少?可以暴力列举出所有合法的K值)
  • 对于分割出来的两个子乘积序列Ai...k和Ak+1..j,我们又该如何对他们再进行一步划分呢?

此时问题的“最优子结构”就已经出现了,为了保证Ai...k*Ak+1...j是最优的计算顺序,则Ai...k和AK+1...j也应该是由“最优计算顺序”计算出来的,因此,我们就可以递归的调用这个过程。

假设Ai...k的计算顺序并不是最优的,那么我们可以用更好的计算顺序去替换,这样就产生了悖论。

同样的,如果Ak+1...j并不是最优的,那么我们可以在找出另外一个更好的计算顺序来替换他,此时也产生了悖论。

2.找出最优子结构的递推式。

就像我们早期讲过的“0-1背包问题”一样,我们将会把“子问题”的解决方法储存到一个数组里头。

对于:

我们定义:的值为计算Ai...j所需要要的最少的计算次数,因此,这个最少计算次数的问题可以用下面的递归式来描述:

证明:

对于Ai..j的任何一个计算顺序,我们都可以把它拆分成下面两个计算步骤:

此时的关键点就是这个K的值,即应该在哪一个地方利用“括号”把序列划分成两个子序列。

如果和都是使用最优序列计算的,则此时:

m[i,j]的值即的最少乘积次数的计算公式为:

此时有些同学可能会疑惑,为什么最后还要加上1个

因为根据我们前面的定义,Ai...k的乘积结果为一个规模为Pi-1*Pk的矩阵,而Ak+1....Aj的乘积结果为一个规模为Pk*Pj的矩阵,所以,求Ai...j的最少乘积次数则为【Ai...k所需要的最少乘积次数】+【Ai+1...j所需要的最少乘积次数】+【中间生成的两个临时矩阵所需要的乘积次数】。

此时看似问题已经明朗了,但是!我们却并不能够确定K的值到底是多少?因为K的值不同,会造成序列的划分也不同,因此乘积次数也会不同,因此,我们只要找到某个K值,使得m[i,j]的值算出来是最小的,那么,我们的问题就迎刃而解了。

但是问题就是,咱们压根就不知道K值取啥啊?

不用急,既然咱们不知道K是啥,那就一个一个把K的可能值都代进去试一遍不就行了吗?而且K的可能值也只有j-i种,因此我们就把这j-i都一个个的去试一遍,然后找出m[i,j]最小的那一个情况,此时的K值就是我们需要的,并且最小乘积次数也找到了,就是m[i,j]次。

因此,让我们再来看一看这个递推公式:

使用“自底向上”方式计算最优值


首先,让我们来回忆一下有关于二维数组m[i,j]的定义,m[i,j]的值为计算Ai...j所需要要的最少的计算次数。

因此,我们的二维表为m[1..n,1..n],并且有i<=j。

现在最关键的是:

当我们使用下面的等式:

来计算m[i,j]时,我们必须首先得把和

给计算出来,才能够顺利的把给计算出来。

对于被分割的两个子序列,对应的矩阵链的长度都小于

因此,我们的算法以矩阵链长度增长的顺序来计算,就像下面这样子(假设我们需要计算m[1,n]):

使用“动态规划”的注意事项


当我们设计一个动态规划算法时,我们需要注意下面两点:

  1. 找到一个适当的最优子结构和在“表”中对应的循环关系,例如我们现在讨论的这个问题:

     2.          找到“表”中各“元素”之间的某种关系。

例如,当我们需要计算表中某个位置的值时,我们要想一想,这个值是不是依赖了其他的值?是不是得先计算出其他的某个或几个值才能够计算出这个值来?

在我们现在这个例子中就是:

我们需要计算的值,但是计算这个值之前,我们必须得先计算:

和两个元素的值。

样例解析


假设我们现在有4个矩阵A1,A2,A3,A4组成的一个矩阵链,并且各矩阵的规模用数组P[ ]表示,P0=5,P1=4,P2=6,P3=2,P4=7。

现在,需要你计算矩阵A1A2A3A4乘积所需要的最少的乘法次数,即求出m[1,4]的值。

解决方法:

1.使用动态规划算法解决,首先初始化数组m[i,j],为了便于同学们较为直观的观察数据的推导过程,数组m[i,j]我们不按照正常“表格”的方式展示,而是按照下面的“画法”来展示:

正如图中的标识一样,初始化时m[1,1],m[2,2],m[3,3],m[4,4]的值都为0,因为1个矩阵无法进行乘法运算,因此所需的计算次数当然为0了。

计算步骤一


首先,计算m[1,2],即A1A2所需要的最少计算次数:

根据递推式有:

此时,K的取值范围只有1个合法值,即K=1。此时,A1A2的最少计算此时就是120次了,如下图所示:

计算步骤二


根据定义,计算m[2,3]的值,根据递推式有:

此时,K的合法值也只有1个,即K=2,此时计算出来的值48就是A2A3所需要的最少计算次数啦!

计算步骤三


计算m[3,4]的值,根据递推式有:

此时,K的合法值仍然只有1个,即K=3,此时计算出来的最小值为84。

计算步骤四


计算m[1,3]的值,根据定义的递推式有:

此时,K的合法值就有2个了,分别是1和2,也分别代表了两种“切割”序列的方法。通过找出这两种方法的最小值,即是此时最优的解啦!其实和上面的计算是一样的,只不过多了需要比较的一个情况而已。此时,我们的二维数组m如下图所示:

计算步骤五


计算m[2,4]的值,根据定义有:

此时,K的合法值也有2个,也代表了A2..A4的两种“切割”方法。这两种“切割”方法所需要的计算次数的最小值为104,则这种方法是最优解,值也是最优值,即104。

计算步骤六


计算m[1,4]的值,根据递推式有:

此时,K的合法值存在3种情况,分别为K=1,K=2,K=3,代表了3种“切割”方法,分别如下所示:

  • A1(A2A3A4)
  • (A1A2)(A3A4)
  • (A1A2A3)A4

按照老样子,我们计算出m[1,4]的值为:158,即计算A1A2A3A4所需要的最少乘法次数为158次!

 基础不牢?新手不友好?无人带路?关注《扬俊的小屋》公众号吧!


博客文章版权声明


动态规划——矩阵连乘问题算法及实现详解(附完整代码) 问题分析 矩阵连乘问题是经典的动态规划问题,其主要是n个矩阵进行矩阵乘法运算时,通过括号改变运算的先后顺序,减少运算次数,找到最佳划分方法,求解最少运算次数。 算法分析 矩阵连乘问题中动态规划可以帮助我们找到从每个矩阵到另一个矩阵的最小运算次数以及对应的划分,我们用dp[i][j]存储从矩阵A[i]到矩阵A[j]的运算次数。每当对从矩阵A[i]连乘到矩阵A[j]求解最小连乘括号划分时,我们引入A[i]到A[j]连乘序列中的一个矩阵A[k]。我们从第i+1个矩阵开始尝试,直到矩阵A[j],如果有更优解——得到 阅读详情

相关推荐

动态规划之矩阵连乘问题详细解读(思路解读+填表+代码)

动态规划简介 动态规划算法与分治法类似,其基本思想也是将待求解问题分解成若干个子问题,先求解子问题,然后从这些子问题的解得到原问题的解。 与分治法不同的是,适合于用动态规划求解的问题,经分解得到子问题往往不是互相独立的。若用分治法来解这类问题,则分解得到的子问题数目太多,有些子问题被重复计算了很多次。如果我们能够保存已解决的子问题的答案,而在需要时再找出已求得的答案,这样就可以避免大量的重复计算,节省时间。我们可以用一个表来记录所有已解的子问题的答案。不管该子问题以后是否被用到,只要它被计算过,就将其结果填

weixin_44952817的博客 8万+

矩阵连乘问题——算法笔记——详解

1、动态规划法 问题简述: 给定n个矩阵{A1A2…An},其中Ai和Ai+1是可乘的,考察这n个矩阵的连乘积A1A2…An。由于矩阵的乘法满足结合律,故计算矩阵的连乘积有许多不同的计算次序,而不同的计算次序,所需要计算的连乘次数也是不同的,求解连乘次数最少的矩阵连乘最优次序。 举例说明矩阵结合方式对数乘次数的影响: 矩阵连乘积A1A2A3,3个矩阵的维数分别为10x100,100x5和5x50,...

weixin_44023658的博客 3万+

HDMI与DisplayPort混搭方案:如何用Xilinx Video PHY Controller实现多协议视频接口转换

本文详细解析了如何利用Xilinx Video PHY Controller IP核实现HDMI与DisplayPort协议转换,涵盖混合视频接口架构设计、GT收发器动态重配置策略及跨协议时钟域处理方案。通过实战案例和配置技巧,帮助开发者构建高性能多协议视频转换系统,适用于医疗影像、工业控制等场景。

weixin_30776273的博客 448

矩阵连乘(动态规划)

矩阵连乘、动态规划。

freeline的博客 6164

西门子AI面试问答(STAR法则回答实例)

通过建立良好的沟通渠道、倡导透明和积极的沟通,并建立信任和共享目标的文化,我成功地改善了团队合作的氛围和效果。对于一些存在分歧和冲突的情况,我采用了积极的解决问题的态度,促进双方的沟通和理解,寻找共同的利益点和解决方案。我的成果得到了评委和观众的认可,并为我的学术发展和进一步的科学研究奠定了基础。首先,我主动与团队成员进行一对一的沟通,倾听他们的观点和意见,了解他们在合作中遇到的问题和需求。我还参加了学校组织的科学俱乐部和研究小组,与其他热衷科学的同学一起进行讨论和实验,加深我的理解和实践技能。

kashine的博客 7258

STM32项目分享:智能家居语音系统

(资料分享见文末)基于STM32的智能家居语音系统温湿度采集:系统通过DHT11模块采集温湿度烟雾监测:通过MQ-2模块采集环境中烟雾浓度光照强度采集:通过BH1750传感器采集环境光照强度窗帘控制:通过步进电机转动模拟窗帘控制风扇控制:通过继电器和指示灯模拟风扇驱动照明控制:通过继电器和指示灯模拟照明驱动蜂鸣器报警:环境烟雾异常情况下蜂鸣器报警OLED显示:显示温湿度、光照强度和烟雾浓度APP功能:使用机智云APP,包括功能有控制照明灯和风扇开关、显示当前温湿度信息。

qq_44016222的博客 4148

矩阵连乘问题

  1、掌握动态规划算法的基本思想。   2、掌握设计动态规划算法的基本步骤。   3、掌握用动态规划算法求矩阵连乘问题。

m0_73618137的博客 3021

华为昇腾910B3显卡实战:手把手教你部署DeepSeek 32B模型(含Bge-zh向量库配置)

本文详细介绍了在配备8张华为昇腾910B3显卡的服务器上,从零部署DeepSeek 32B大模型推理服务的完整实战方案。内容涵盖环境准备、模型配置、多卡负载分配,并集成了BGE中文向量模型与ChromaDB向量数据库,最终通过Open WebUI构建了可投入生产的企业级AI应用栈,为私有化大模型部署提供了具体参考。

weixin_29038345的博客 1721

动态规划--矩阵连乘(计算过程)

矩阵乘法

欢迎来到我的博客 443

基于ARDUINIO的5路红外循迹小车

基于ARDUINIO的5路红外循迹小车 新手抄袭了很多大神的代码。这里表示感谢。 #define STOP 0 #define FORWARD 1 #define BACKWARD 2 #define STURNLEFT 3 #define STURNRIGHT 4 #define TURNLEFT 5 #define TURNRIGHT 6 #define TURNRIGHT90 7 #define TURNLEFT90 8 int leftA_PIN = A0; int

weixin_48214416的博客 4385

BLDC六步换相驱动实战:从霍尔真值表到PWM调速的代码实现

本文详细解析了BLDC六步换相驱动原理,从霍尔真值表解读到PWM调速的代码实现,提供了基于STM32的实战方案。重点介绍了霍尔信号解码、换相状态机设计以及PWM动态调速策略,帮助开发者快速掌握无刷电机驱动技术。

weixin_28273593的博客 216

算法设计与分析 | 矩阵连乘

矩阵乘法满足结合律,A*B*C可以表示成(A*B)*C或者是A*(B*C),两者的运算量却不同。例如当A=2*3 B=3*4 C=4*5时,(A*B)*C=64而A*(B*C)=90。一个n*m矩阵由n行m列共n*m个数排列而成。一个N*M的矩阵乘以一个M*P的矩阵等于一个N*P的矩阵,运算量为nmp。`memset`函数将`s`指向的内存区域的前`n`个字节用`c`指定的值进行填充。- `c`:要设置的字符值(实际上是将其转换为对应的ASCII码或字节值)。- `s`:指向要填充的内存区域的指针。

大胆尝试,小心实践 689

ESP32设备驱动-VCNL4040趋近传感器

VCNL4040 将趋近传感器 (PS)、环境光传感器 (ALS) 和高功率 IRED 集成到一个小型封装中。它通过CMOS工艺将光电二极管、放大器和模数转换电路集成到一个芯片中。

视觉与物联智能 946

算法与程序设计-动态规划01

找出一种使得做矩阵连乘时相乘次数最小的一个计算次序。矩阵连乘可以被递归成如上的形式。在这里举一个简单的例子我们要计算矩阵ABC的乘积,可以(AB)C,A(BC)两种计算次序,它们计算所得的结果相同,但相乘的次数不同。(AB)C的相乘次数为:150次A(BC)的相乘次数为:192次但是面对实际问题中,肯定不可能出现三个矩阵相乘,让我们求一个最优的计算次序。那么面对这个问题,应该怎么解决呢?

2302_77070697的博客 345

Sigrity Power DC Package Multi-Resistor Compact ET Model Extraction模式提取封装基板电热阻模型

DIE(定义DIE的参数):material设置为silicon(硅),Attach material(贴片的材料,设置为Die Attach),Attach thickness(贴片的材料的厚度,厚度设置为0.001mm,点击ok。Cap为覆盖材料,Material定义材料类型,thickness定义厚度,length和width定义长宽,Adhesive Material为胶的材料,Adhesive Material为胶的厚度,本例不定义,跳过即可。

weixin_54787054的博客 442

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

剑指 Offer 10- I 斐波那契数列

java

weixin_51592808的博客 120

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

矩阵连乘

用加括号的方法表示矩阵连乘的次序,不同的计算次序计算量(乘法次数)是不同的,找出一种加括号的方法,使得矩阵连乘的计算量最小。时间复杂度:语句 t=m[i][k] + m[k+1][j] + p[i−1]*p[k]*p[j],在3层for循环中嵌套,该语句的执行次数为O(n3),时间复杂度为O(n3)。Ak),(Ak+1Ak+2…空间复杂度:该程序的输入数据的数组为p[],辅助数组m[][]、s[][],因此空间复杂度为O(n2)。如果两个矩阵,第1个矩阵的列等于第2个矩阵的行,那么这两个矩阵是可乘的。

m0_73460731的博客 1355

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

动态规划求解矩阵连乘

基本思想 动态规划算法与分治法类似,其基本思想是将待求解的问题分解成若干子问题,先求解子问题,再结合子问题的解得到原问题的解。与分治法不同的是,适合用动态规划法求解的问题经分解求解的子问题往往不是相互独立的。 若用分治法来解这类问题,则分解得到的子问题数目太多,以致最后解决原问题需要耗费指数级时间。然而,不同子问题的数目常常只有多项式量级。在用分治法求解时,有些子问斯被重复计算了许多次。如果能够保存已解决的子问题的答案,在需要时再找出已求得的答案,这样可以避免大量的重复计算,从而得到多项式时间算法。为了达到

weixin_53522240的博客 1万+

矩阵连乘——动态规划算法

矩阵连乘——动态规划算法 目录 矩阵连乘——动态规划算法 预备知识 前言 问题 应用动态规划方法的步骤 按照步骤分析问题 步骤1:最有括号化方案的结构特征 步骤2:一个递归求解方案 步骤3:计算最优代价 步骤4:构造最优解 算法的核心代码 举例验证算法 算法复杂度分析 算法的基本要素 1、最优子结构 2、重叠子问题 3、备忘录方法 闲聊时刻 预备知识 了解...

weixin_45416043的博客 1万+

动态规划--->矩阵连乘问题

动态规划 矩阵连乘问题 问题描述: 给定n个矩阵{A1,A2,…,An},其中A66666

举目沧桑的博客 6151

动态规划——矩阵连乘问题

假设n为3,求矩阵(A1, A2, A3)相乘的最小相乘次数,并且假设(A1A2)A3 这个相乘的次序所用的乘法次数最少,则在目的转态n为3下的最少相乘次数为p[0] * p[1] * p[2] +p[0] * p[2] * p[3] (p数组存放的是矩阵的维数,例A1的行为p[0] 列为p[1]),Ak)与矩阵(Ak+1,Ak+2,…次数为dp[1] [3], 根据上面对n=3的推导,dp[1] [4] = dp[1] [3] +p[0] * p[3] * p[4] ②式。

qq_71450730的博客 1776

动态规划:矩阵连乘问题(文末附有手写版例题)

动态规划:矩阵连乘问题(文末附有手写版例题)

m0_47352999的博客 5552

动态规划——矩阵链相乘

动态规划之矩阵链相乘

Wu_L7的博客 1万+

【动态规划】矩阵连乘问题

j个矩阵连乘的积 = R(第 i 个到第k矩阵的积 ) + U(第k+1到最后一个矩阵的积) + R*U。,所对应得数组p下标所对应的值正好是R,U相乘需要的行和列。显而易见,三个矩阵相乘,有两种结合方式,(AB)C 比 A(BC)的值小的多。因此我们把它们进行划分,假设从第k个矩阵开始划分。如果是从第一个到第四个矩阵的乘积,则可以划分为如下:其中。根据上面的代码,略加修改可以得到整个划分的过程。123456 划分。根据上面两幅图可以看出,

weixin_52958292的博客 4122
上一篇: 设计模式之——“迪米特法则”(“最少知道”原则)
下一篇: Spring框架——Bean的Scope(作用域)易错陷阱解析
刘扬俊
博客等级 码龄12年 6万+粉丝 54原创
评论 56
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址