6-1. 다이나믹 프로그래밍 개념 & 실전 문제

Speedwell🍀·2022년 4월 6일
0

중복되는 연산 줄이기

컴퓨터를 활용해도 해결하기 어려운 문제

  • 최적의 해를 구하기에 시간이 매우 많이 필요
  • 메모리 공간이 매우 많이 필요

💡 하지만 어떤 문제는 메모리 공간을 약간 더 사용하면 연산 속도를 비약적으로 증가시킬 수 있다.
➡️ 다이나믹 프로그래밍 (동적 계획법)


Q. 다이나믹 프로그래밍과 동적 할당의 다이나믹은 같은 의미일까?
A. 다름!!

  • 프로그래밍에서의 다이나믹: "프로그램이 실행되는 도중에"

    • 자료구조에서 동적 할당: 프로그램 실행 중에 프로그램 실행에 필요한 메모리를 할당하는 기법
  • 다이나믹 프로그래밍에서의 다이나믹 ➡️ 앞으로 알아보자!!


이번 장에서는 다이나믹 프로그래밍의 기본 아이디어와 2가지 방식(탑다운&보텀업)을 설명하고, 특히 다이나믹 프로그래밍을 위해 자주 사용되는 메모이제이션 기법을 다룬다.


다이나믹 프로그래밍 (Dynamic Programming)

📌 큰 문제를 작게 나누고, 같은 문제라면 한 번씩만 풀어 문제를 효율적으로 해결하는 알고리즘 기법


다이나믹 프로그래밍으로 해결할 수 있는 대표적인 예로 피보나치 수열이 있다.

프로그래밍에서는 수열을 배열이나 리스트로 표현 가능!
배열과 리스트는 '연속된 많은 데이터'를 처리한다는 점이 동일!

재귀함수 & 메모이제이션

def fibo(x):
	if x == 1 or x == 2:
    	return 1
	return fibo(x - 1) + fibo(x - 2)

🤔 피보나치 수열을 위와 같이 재귀함수로 구현하면 심각한 문제가 생길 수 있다.
➡️ f(n) 함수에서 n이 커질수록 반복해서 호출하는 수가 많아짐
➡️ 수행 시간 기하급수적으로 증가! O(2^N)


다이나믹 프로그래밍을 사용하면 효율적으로 해결 가능! 단, 다음의 조건을 만족할 때!

  1. 큰 문제를 작은 문제로 나눌 수 있다.
  2. 작은 문제에서 구한 정답은 그것을 포함하는 큰 문제에서도 동일하다.

➡️ 피보나치 수열은 위의 조건을 만족!

메모이제이션(Memoization)을 사용해서 해결해보자!
: 한 번 구한 결과를 메모리 공간에 메모해두고 같은 식을 다시 호출하면 메모한 결과를 그대로 가져오는 기법
값을 저장하는 방법이므로 캐싱(Caching)이라고도 한다!

📌 메모이제이션 구현 방법: 한 번 구한 정보를 리스트에 저장!

피보나치 메모이제이션 구현

# 한 번 계산된 결과를 메모이제이션하기 위한 리스트 초기화
d = [0] * 100

# 피보나치 함수를 재귀함수로 구현 (탑다운 다이나믹 프로그래밍)
def fibo(x):
	# 종료 조건 (1 or 2일 때 1을 반환)
    if x == 1 or x == 2:
    	return 1
	# 이미 계산한 적 있는 문제라면 그대로 반환
    if d[x] != 0:
    	return d[x]
	# 아직 계산하지 않은 문제라면 점화식에 따라 피보나치 결과 반환
    d[x] = fibo(x - 1) + fibo(x - 2)
    return d[x]

print(fibo(99))

앞서 수열은 배열이나 리스트로 표현할 수 있다고 했는데, 메모이제이션은 때에 따라 다른 자료형(ex. 사전 자료형) 사용 가능!

📌 사전 자료형은 수열처럼 연속적이지 않은 경우에 유용!
(예를 들어 an을 계산하고자 할 때, a_0 ~ a(n-1) 전부가 아닌 일부에 대한 답만 필요할 경우)



반복문

🤔 재귀 함수로 구현하면 오버헤드가 발생할 수 있다.
➡️ 반복문을 이용한 다이나믹 프로그래밍이 더 성능이 좋다!

  • 시간 복잡도 O(N)
    • 한 번 구한 결과는 다시 구해지지 않기 때문에 f(1)을 구하고 이 값을 f(2) 구하는 데에 사용하고 또 이 값을 f(3) 구하는 데 사용되어 차례대로 이어지기 때문!
# 호출하는 함수 확인
d = [0] * 100

def pibo(x):
	print('f(' + str(x) + ')', end=' ')
    if x == 1 or x == 2:
    	return 1
	if d[x] != 0:
    	return d[x]
	d[x] = pibo(x - 1) + pibo(x - 2)
    return d[x]

pibo(6)

# f(6) f(5) f(4) f(3) f(2) f(1) f(2) f(3) f(4)

피보나치 반복문 구현

# 앞서 계산된 결과를 저장하기 위한 DP 테이블 초기화
d = [0] * 100

# 첫 번째 피보나치 수와 두 번째 피보나치 수는 1
d[1] = 1
d[2] = 2
n = 99

# 피보나치 함수 반복문으로 구현 (보텀업 DP)
for i in range(3, n + 1):
	d[i] = d[i - 1] + d[i - 2]

print(d[n])


큰 문제를 작게 나누는 건 퀵 정렬에서도 나왔는데, 퀵 정렬은 분할 정복(Divide and Conquer) 알고리즘으로 분류된다.

분할 정복: 정렬할 리스트를 분할하여 전체적으로 정렬될 수 있도록 하는 알고리즘

분할 정복 vs. 다이나믹 프로그래밍

  • 다이나믹 프로그래밍은 문제들이 서로 영향을 미치고 있다!

    • 한 번 해결했던 문제를 다시금 해결
      ➡️ 이미 해결한 문제에 대한 답을 저장해 놓고 다시 해결할 필요 없다고 반환
  • 퀵 정렬은 한 번 피벗이 자리를 변경하면 피벗의 위치는 더 이상 바뀌지 않고, 그 피벗 값을 다시 처리하는 부분 문제는 존재하지 않는다.



탑다운(Top-Down) vs. 보텀업(Botton-Up)

탑다운(하향식)
: 큰 문제를 해결하기 위해 작은 문제 호출

  • 메모제이션이 탑다운 방식
    • 메모제이션은 탑다운 방식에 국한되어 사용되는 표현

보텀업(상향식)
: 작은 문제부터 차근차근 답 도출

  • DP의 전형적인 형태
  • 반복문이 보텀업 방식
  • DP 테이블: 보텀업 방식에서 사용되는 결과 저장용 리스트


DP로 문제를 푸는 방법

  1. 당연하지만 주어진 문제가 DP 유형임을 파악해야 한다!

    • 완전 탐색으로 접근했을 때 시간이 너무 오래 걸린다면 DP를 적용할 수 있는지 보자
      ➡️ 해결하고자 하는 부분 문제들의 중복 여부 확인!
  2. 비효율적인 재귀 함수(탑다운)으로 작성한 뒤, 메모이제이션을 적용할 수 있는지 확인(작은 문제에서 구한 답이 큰 문제에서 그대로 사용될 수 있는지)

  3. 📌 가능하다면 재귀 함수를 이용하는 탑다운 방식보다는 보텀업 방식으로 구현하는 것을 권장한다!

    • 시스템상 재귀 함수의 스택 크기가 한정되어 있을 수 있기 때문 ➡️ recursion depth(재귀 함수 깊이) 에러 발생 가능

recursion depth 에러가 발생할 때, sys 라이브러리에 포함되어 있는 setrecursionlibit() 함수를 호출하면 재귀 제한을 완화시킬 수 있다.


실전 문제

1. 1로 만들기

난이도: 🌕🌗
풀이시간: 20분
시간제한: 1초
메모리제한: 128MB


정수 X가 주어질 때 정수 X에 사용할 수 있는 연산은 다음과 같이 4가지이다.

  1. X가 5로 나누어떨어지면, 5로 나눈다.
  2. X가 3으로 나누어떨어지면, 3으로 나눈다.
  3. X가 2로 나누어떨어지면, 2로 나눈다.
  4. X에서 1을 뺀다.

정수 X가 주어졌을 때, 연산 4개를 적절히 사용해서 1을 만들려고 한다. 연산을 사용하는 횟수의 최솟값을 구하시오.

입력 조건

  • 첫째 줄에 정수 X가 주어진다. (1 ≤ X ≤ 30,000)

출력 조건

  • 첫째 줄에 연산을 하는 횟수의 최솟값을 출력한다.
# 입력 예시
26

# 출력 예시
3

예시에 대한 설명)

  1. 26 - 1 = 25
  2. 25 / 5 = 5
  3. 5 / 5 = 1

<해설>

이 문제는 같은 함수들이 동일하게 여러 번 호출된다.
➡️ 동일한 함수에서 구하는 값들은 동일해야 하므로 다이나믹 프로그래밍이 효과적!

📌 보텀업 다이나믹 프로그래밍으로 구현해보자!

# 정수 X 입력받기
x = int(input())

# 앞서 계산된 결과를 저장하기 위한 DP 테이블 초기화
d = [0] * 30001

# 다이나믹 프로그래밍 진행 (보텀업)
for i in range(2, x + 1):
	# 현재의 수에서 1을 빼는 경우
    d[i] = d[i - 1] + 1
    # 현재의 수가 2로 나누어 떨어지는 경우
    if i % 2 == 0:
    	d[i] = min(d[i], d[i // 2] + 1)
	# 현재의 수가 3으로 나누어 떨어지는 경우
    if i % 3 == 0:
    	d[i] = min(d[i]. d[i // 2] + 1)
	# 현재의 수가 5로 나누어 떨어지는 경우
    if i % 5 == 0:
    	d[i] = min(d[i], d[i // 5] + 1)

print(d[x])

2. 개미 전사

난이도: 🌕🌕
풀이시간: 30분
시간제한: 1초
메모리제한: 128MB


메뚜기 마을에는 여러 개의 식량창고가 일직선으로 이어져 있다. 각 식량창고에는 정해진 수의 식량을 저장하고 있으며 개미 전사는 식량창고를 선택적으로 약탈하여 식량을 빼앗을 예정이다. 이때 메뚜기는 일직선상에 존재하는 식량창고 중 서로 인접한 식량창고가 공격받으면 바로 알아챌 수 있다. 따라서 개미 전사가 들키지 않고 약탈하기 위해선 최소한 한 칸 이상 떨어진 식량창고를 약탈해야 한다.

개미 전사를 위해 식량창고 N개에 대한 정보가 주어졌을 때 얻을 수 있는 식량의 최댓값을 구하는 프로그램을 작성하시오.

입력 조건

  • 첫째 줄에 식량창고의 개수 N이 주어진다. (3 ≤ N ≤ 100)
  • 둘째 줄에 공백으로 구분되어 각 식량창고에 저장된 식량의 개수 N이 주어진다. (0 ≤ K ≤ 1,000)

출력 조건

  • 첫째 줄에 개미 전사가 얻을 수 있는 식량의 최댓값을 출력하시오.
# 입력 예시
4
1 3 1 5 # 두 번째와 네 번째 식량창고 선택했을 때 최댓값인 8

# 출력 예시
8

<해설>

i번째 식량창고에 대해서 털지 안 털지의 여부를 결정할 때, 2가지 경우만 확인하면 된다.

  1. (i - 1)번째 식량창고를 털기로 결정한 경우 현재의 식량창고를 털 수 없다.
  2. (i - 2)번째 식량창고를 털기로 결정한 경우 현재의 식량창고를 털 수 있다.

➡️ 1, 2번 중에서 더 많은 식량을 털 수 있는 경우를 택하면 된다.

(i - 3)번째 이하의 식량창고에 대한 최적의 해에 대해서는 고려할 필요가 없다. d[i - 3]은 d[i - 1]과 d[i - 2]를 구하는 과정에서 이미 계산되었기 때문이다.

📌 i번째 식량창고에 있는 식량의 양이 k_i라고 했을 때 점화식은 아래와 같다.


# 정수 N 입력받기
n = int(input())
# 모든 식량 정보 입력받기
array = list(map(int, input().split()))

# 앞서 계산된 결과를 저장하기 위한 DP 테이블 초기화
d = [0] * 100

# 다이나믹 프로그래밍 진행 (보텀업)
d[0] = array[0]
d[1] = max(array[0], array[1])
for i in range(2, n):
	d[i] = max(d[i - 1], d[i - 2] + array[i])
    
print(d[n - 1])

3. 바닥 공사

난이도: 🌕🌗
풀이시간: 20분
시간제한: 1초
메모리제한: 128MB


가로의 길이 N, 세로의 길이가 2인 직사각형 형태의 얇은 바닥이 있다. 이 얇은 바닥을 1x2 덮개, 2x1 덮개, 2x2 덮개를 이용해 채우고자 한다.

이때 바닥을 채우는 모든 경우의 수를 구하는 프로그램을 작성하시오.

입력 조건

  • 첫째 줄에 N이 주어진다. (1 ≤ N ≤ 1,000)

출력 조건

  • 첫째 줄에 2 x N 크기의 바닥을 채우는 방법의 수를 796,796으로 나눈 나머지를 출력한다.
# 입력 예시
3

# 출력 예시
5

<해설>

타일링 문제 유형 (다이나믹 프로그래밍의 기초 예제)

  1. 왼쪽부터 i-1까지 길이가 덮개로 이미 채워져 있으면 2x1 덮개를 채우는 하나의 경우만 존재

  2. 왼쪽부터 i-2까지 길이가 덮개로 이미 채워져 있으면 2가지 경우

    a. 1x2 덮개 2개
    b. 2x2 덮개 1개

    2x1 덮개 2개를 넣는 경우는 1에서 이미 고려되었기 때문에 제외

위에 풀었던 문제와 마찬가지로 왼쪽부터 (i-3)번째 이하의 위치에 대한 최적의 해에 대해서는 고려할 필요가 없다.
➡️ 사용할 수 있는 덮개의 형태가 최대 2x2 크기의 직사각형 형태이기 때문!

점화식


# 정수 N 입력받기
n = int(input())

# 앞서 계산된 결과를 저장하기 위한 DP 테이블 초기화
d = [0] * 1001

# 다이나믹 프로그래밍 진행 (보텀업)
d[1] = 1
d[2] = 3
for i in range(3, n + 1):
  d[i] = (d[i - 1] + 2 * d[i - 2]) % 796796

print(d[n])

4. 효율적인 화폐 구성

난이도: 🌕🌕
풀이시간: 30분
시간제한: 1초
메모리제한: 128MB


N가지 종류의 화폐가 있을 때, 이 화폐들의 개수를 최소한으로 이용해서 그 가치의 합이 M원이 되도록 하려고 한다. 이때 각 화폐는 몇 개라도 사용할 수 있으며, 사용한 화폐의 구성은 같지만 순서만 다른 것은 같은 경우로 구분한다.

입력 조건

  • 첫째 줄에 N, M이 주어진다. (1 ≤ N ≤ 100, 1 ≤ M ≤ 10,000)
  • 이후 N개의 줄에는 각 화폐의 가치가 주어진다. 화폐 가치는 10,000보다 작거나 같은 자연수이다.

출력 조건

  • 첫째 줄에 M원을 만들기 위한 최소한의 화폐 개수를 출력한다.
  • 불가능할 때는 -1을 출력한다.
# 입력 예시 1
2 15
2
3
# 출력 예시 1
5 # 3원 5개 사용

# 입력 예시 2
3 4
3
5
7
# 출력 예시 2
-1

<해설>

그리디에서 다뤘던 거스름돈 문제와 거의 동일하다!

  • 차이점) 화폐 단위에서 큰 단위가 작은 단위의 배수가 아니다.
    ➡️ 그리디 알고리즘을 사용했던 예시처럼 매번 가장 큰 화폐 단위부터 처리하는 방법 ❌
    ➡️ 다이나믹 프로그래밍 이용해야 한다!

# 정수 N, M 입력받기
n, m = map(int, input().split())
# N개의 화폐 단위 정보를 입력받기
array = []
for i in range(n):
  array.append(int(input()))

# 한 번 계산된 결과를 저장하기 위한 DP 테이블 초기화
d = [10001] * (m + 1)

# 다이나믹 프로그래밍 진행 (보텀업)
d[0] = 0
for i in range(n):
  for j in range(array[i], m + 1):
    if d[j - array[i]] != 10001: # (i - k)원을 만드는 방법이 존재하는 경우
      d[j] = min(d[j], d[j - array[i]] + 1)

# 계산된 결과 출력
if d[m] == 10001: # 최종적으로 M원을 만드는 방법이 없는 경우
  print(-1)
else:
  print(d[m])

0개의 댓글