期望&概率dp总结

转载来自：期望&概率dp总结
这篇博客写得好，膜一番dalao。

1.期望dp

期望dp通常逆推，即从结果推向初始状态，也可以用记忆化搜索进行dp；
$E=Σp1*(E1+X1)+Σp2*(E+X2)$
其中E为当前状态的期望，E1为下一个状态的期望，p1和X1分别为将当前状态转移到下一个状态的概率和花费，p2和X2分别为保持当前状态的概率和花费。
最后化简为$E=(Σp1*(E1+X1)+Σp2*X2)/(1-Σp2)$

2.概率dp

概率dp通常顺推，即从初始状态推向结果，$E=Σp1*E1$
其中E为当前状态的概率，E1为上一个状态的概率，p1是由上一个状态转移到当前状态的概率

3.高斯消元

当概率dp不能用递推式进行状态转移时，就需要用到高斯消元
如果有n个状态，则需要建立$n*(n+1)$行的矩阵，用$A[i][j]$表示
$A[i][j]$表示由状态i转移到状态j的概率，通常将最后一列设为0，再让$A[i][i]+=-1$

const double eps = 1e-6;  
typedef vector<double> vec;  
typedef vector<vec> mat;  
vec gauss_jordan(const mat& A, const vec& b) {  
    int n = A.size();  
    mat B(n, vec(n + 1));  
    for (int i = 0; i < n; i++)  
        for (int j = 0; j < n; j++) B[i][j] = A[i][j];  
    for (int i = 0; i < n; i++) B[i][n] = b[i];  
    for (int i = 0; i < n; i++) {  
        int pivot = i;  
        for (int j = i; j < n; j++) {  
            if (fabs(B[j][i]) > fabs(B[pivot][i])) pivot = j;  
        }  
        swap(B[i], B[pivot]);  
        if (fabs(B[i][i]) < eps) return vec();  
        for (int j = i + 1; j <= n; j++) B[i][j] /= B[i][i];  
        for (int j = 0; j < n; j++) {  
            if (i != j) {  
                for (int k = i + 1; k <= n; k++) B[j][k] -= B[j][i] * B[i][k];  
            }  
        }  
    }  
    vec x(n);  
    for (int i = 0; i < n; i++) x[i] = B[i][n];  
    return x;  
}