对动态规划（Dynamic Programming）的理解：从穷举开始

最新推荐文章于 2022-05-23 08:10:02 发布

djd已经存在

最新推荐文章于 2022-05-23 08:10:02 发布

阅读量2.1k

点赞数

分类专栏：数据结构算法学习文章标签：动态规划

本文链接：https://blog.csdn.net/djd1234567/article/details/46990421

版权

本文探讨了动态规划（DP）的概念，通过从穷举的角度出发，阐述了如何从基本的穷举法逐步演化到DP解法。文章以"划分硬币"问题为例，展示了从二叉树选择问题到DP的转变，通过递归优化和采用二维数组记录中间结果降低复杂度。此外，还介绍了LCS问题和多阶段决策问题的DP思考过程，强调在寻找DP思路时要关注最优子结构和子问题的递推关系。

摘要由CSDN通过智能技术生成

动态规划（Dynamic Programming，以下简称dp）是算法设计学习中的一道槛，适用范围广，但不易掌握。

笔者也是一直不能很好地掌握dp的法门，于是这个寒假我系统地按着LRJ的《算法竞赛入门经典》来学习算法，对dp有了一个比过往都更系统＼更深入的理解，并在这里写出来与大家分享。

笔者着重描述的是从穷举到dp的算法演进，并从中获取dp解法的思路，并给出多种思考的角度，务求解决的是LRJ提出的一种现象：

“每次碰到新题自己都想不出来，但一看题解就懂”的尴尬情况。

DP与穷举

大多讲dp的文章都是以0-1背包为基础来讲解的，笔者想换个花样，以另一道题“划分硬币”（UVa-562 Dividing coins）来讲述。

现在有一袋硬币，里面最多有100个硬币，面值区间为[1, 500]，要分给两个人，并使得他们所获得的金钱总额之差最小，并给出这个最小差值。

这种问题笔者称之为二叉树选择问题。假设袋中有N个硬币，我们从最原始的枚举法来一步步优化。

我们让其中一个人先挑硬币，挑剩的就是给另外一个人的。第一个人对于每一个硬币，都有“选”和“不选”两种选择。我们很容易穷举他全部的情况——全部硬币的任意大小的子集，共 2N 种，并选取其中两人差值最小的解。

具体作法可以用递归法，二进制法等。在这里给出笔者的递归解法的代码，因为它与后面的优化紧密关联。

int solve_by_brute_force(vector<int> &v, int cur, int limit, int sofar, int sum) {
     
    if (cur == limit) {
      // the border of recursion
        int other = sum - sofar;
        return sofar>other? sofar-other : other-sofar;
    }

    // choose or not the current coin
    int ans1 = solve_by_brute_force(v, cur+1, limit, sofar+v[cur], sum);
    int ans2 = solve_by_brute_force(v, cur+1, limit, sofar, sum);
    return ans1 < ans2? ans1 : ans2;
}

int main(){
     
    int t;
    cin >> t;
    for (int nc= 0; nc<t; nc++) {
     
        int m;
        cin >> m;
        vector<int> v(m);
        int tot = 0;
        for (int i= 0; i<m; i++) {
     
            cin >> v[i];
            tot += v[i];
        }
        int res = solve_by_brute_force(v, 0, m