从 “步步惊心” 到 “步步为赢”：揭秘线性动态规划的神奇魔法-CSDN博客

本文链接：https://blog.csdn.net/2402_87970811/article/details/147640563

在 C++ 算法的江湖里，线性动态规划就像是一门高深的 “步步为营” 的武学秘籍。它能让你在面对复杂问题时，通过一步步的推导，找到最优解。今天，就让我们一起揭开它神秘的面纱！

什么是线性动态规划？

线性动态规划，简单来说，就是在一个线性结构（比如数组）上，通过分析子问题的最优解，推导出整个问题的最优解。它的核心思想可以用一句话概括：“大事化小，小事化了”。就像你要攀登一座高山，不用一下子考虑怎么登顶，而是先考虑每一步怎么迈出，通过解决一个个小问题，最终实现登顶的目标。

线性动态规划的核心要素

状态定义：这是动态规划的灵魂。我们需要定义一个状态，通常用数组来表示，每个数组元素代表一个子问题的解。例如，dp[i] 可能表示到位置 i 时的最优值。

状态转移方程：它描述了如何从已知的子问题的解推导出当前问题的解。这就像是搭建楼梯，每一级台阶都依赖于下面的台阶。

边界条件：确定初始状态，就像盖房子要先打好地基一样，为后续的推导提供起点。

代码实现与详细解释

我们以经典的 “最大子序和” 问题为例来看看线性动态规划的代码实现。

问题描述

给定一个整数数组 nums ，找到一个具有最大和的连续子数组（子数组最少包含一个元素），返回其最大和。

代码示例

#include <iostream>
#include <vector>
using namespace std;

int maxSubArray(vector<int>& nums) {
    int n = nums.size();
    // 定义状态：dp[i]表示以nums[i]结尾的连续子数组的最大和
    vector<int> dp(n);
    dp[0] = nums[0];  // 边界条件，当只有一个元素时，最大子序和就是该元素本身
    int maxSum = dp[0];  // 记录全局最大和

    for (int i = 1; i < n; ++i) {
        // 状态转移方程：dp[i] = max(nums[i], dp[i - 1] + nums[i])
        // 即要么以nums[i]单独作为子数组，要么和前面的子数组连接起来
        dp[i] = max(nums[i], dp[i - 1] + nums[i]);
        maxSum = max(maxSum, dp[i]);  // 更新全局最大和
    }

    return maxSum;
}

代码解释

首先定义了一个 dp 数组，dp[i] 表示以 nums[i] 结尾的连续子数组的最大和。这就是我们的状态定义。

初始化 dp[0] 为 nums[0] ，这是边界条件。因为当数组只有一个元素时，最大子序和就是这个元素本身。

然后通过循环遍历数组，根据状态转移方程 dp[i] = max(nums[i], dp[i - 1] + nums[i]) 计算每个位置的 dp 值。这个方程的含义是，对于 nums[i] ，它要么单独作为一个子数组（此时和为 nums[i] ），要么和前面以 nums[i - 1] 结尾的子数组连接起来（此时和为 dp[i - 1] + nums[i] ），我们取两者中的较大值作为 dp[i] 。

在每次计算 dp[i] 后，更新全局最大和 maxSum ，最终返回 maxSum 就是整个数组的最大子序和。

进阶例题：最长上升子序列

问题描述

给定一个无序的整数数组，找到其中最长上升子序列的长度。

代码示例

#include <iostream>
#include <vector>
using namespace std;

int lengthOfLIS(vector<int>& nums) {
    int n = nums.size();
    // 定义状态：dp[i]表示以nums[i]结尾的最长上升子序列的长度
    vector<int> dp(n, 1);  // 初始时，每个元素自身都可以构成长度为1的上升子序列
    int maxLen = 1;

    for (int i = 1; i < n; ++i) {
        for (int j = 0; j < i; ++j) {
            if (nums[i] > nums[j]) {
                // 如果nums[i]大于nums[j]，则可以将nums[i]接到以nums[j]结尾的上升子序列后面
                dp[i] = max(dp[i], dp[j] + 1);
            }
        }
        maxLen = max(maxLen, dp[i]);
    }

    return maxLen;
}

代码解释