2.3 动态规划1

一、基本概念

1.状态

状态定义：完全表示当前状态，无冗余信息

性质：最优子结构，无后效性

状态转移：利用前面的状态通过某一转移决策推出当前状态的过程

状态转移方程：转移决策

2.实现方式

(1)记忆化搜索

主要思想：在函数递归时如果出现了已经得到过的函数值，不妨开辟新数组把它存储下来，再次传入相同参数时，就可以直接获取数组中的值，减少不必要的时间消耗（用空间换时间）

使用条件：

1. 函数返回结果只与参数有关
2. 同样参数的函数会被多次调用

一般使用函数的递归调用进行求解

(2)递推

主要思想：把复杂问题转化为简单问题的多次重复，一般要对问题推导递推关系式求解

一般使用数组进行求解

3.典例

(1)数字三角形 $(IOI1994)$

定义$f(i,j)$为走到$(i,j)$的最大值

状态转移方程：

$$f(i,j)=max(f(i-1,j),f(i-1,j-1))+a(i,j)$$

(2)数字三角形 拓展$1$

在原题基础上，变为求和 $mod100$的最大值

若按原来的状态定义，无法满足最优子结构

思考：如何将 $mod100$定义在状态中？

定义$f(i,j,k)$表示从起点走到$(i,j)$，能否满足结果为$k$，状态转移方程：

$$f(i,j,k)=f(i-1,j,k-a(i,j))|f(i-1,j-1,k-a(i,j))$$

注意这里$k-a(i,j)$的计算结果要对$100$取模

(3)数字三角形 拓展$2$

在原题基础上，必须经过某个点，求最大值

两种做法：

1. 将经过点所在行的其他点权值设为$-\infty$

2. 从经过点分别往上下两个方向进行DP，得到的结果相加

(4)最长上升子序列$(LIS)$

定义$f(i)$表示以$i$结尾的$LIS$长度

状态转移方程：

$$f(i)=\{\begin{array}{ll}f(i-1)+1,& a(i)>a(i-1)\\ max(f(i-1),f(j)+1),& a(i)\le a(i-1),j<i,a(j)<a(i)\end{array}$$

(5)最长公共子序列$(LCS)$

定义$f(i,j)$表示$a_1,a_2,\cdots ,a_i$和$b_1,b_2,\cdots ,b_j$的$LCS$长度

状态转移方程：

$$f(i,j)=\{\begin{array}{ll}f(i-1,j-1)+1,& a(i)=a(j)\\ max(f(i-1,j),f(i,j-1)),& a(i)\ne a(j)\end{array}$$

二、区间$DP$

1.朴素（线形）

例题：石子合并

• 在一条公路上摆放$n$堆石子，现要将石子有次序地合并成一堆，规定每次只能选相邻的$2$堆合并成新的一堆，并将新的一堆的石子数，记为该次合并的得分，求将$n$堆石子合并为$1$堆后，得分的最小值。

定义$f(l,r)$表示从$l$合并到$r$的最小代价

首先预处理出前缀和数组$sum$

对于区间$(l,r)$，只有可能是由两个区间$(l,k)$和$(k+1,r)$合并而来

状态转移方程：

f ( l , r ) = m i n { f ( l , k ) + f ( k + 1 , r ) + s u m [ r ] − s u m [ l − 1 ] } , l ≤ k < r f(l,r)=min\{f(l,k)+f(k+1,r)+sum[r]-sum[l-1]\},l\leq k<r f(l,r)=min{f(l,k)+f(k+1,r)+sum[r]−sum[l−1]},l≤k<r

注意：在$DP$时，需要先枚举区间长度，再根据每一个$l$，求出对应的$r$

2.环形

• luogu P1880 NOI1995 石子合并

在原题基础上，结构由线形变为环形(即第$1$堆能与第$n$堆合并)

首先通过分析，不难发现进行$n-1$次合并后就能合并为一堆，而环形中间存在$n$个合并位置，我们进行如下操作：

以$5$个数$a,b,c,d,e$为例，首先将其加倍，变为$a,b,c,d,e,a,b,c,d,e$

对于每种合并方式，不难发现就是如下五种情况中的朴素做法的最小值

$$\begin{array}{cccccccccccc}& a& b& c& d& e& a& b& c& d& e& \\ 1.& a& b& c& d& e& & & & & & \\ 2.& & b& c& d& e& a& & & & & \\ 3.& & & c& d& e& a& b& & & & \\ 4.& & & & d& e& a& b& c& & & \\ 5.& & & & & e& a& b& c& d& & \end{array}$$

三、背包$DP$

有$n$件物品和一个容量为$m$的背包。物品$i$的体积是$v_i$，价值是$w_i$。求解将哪些物品装入背包可使价值总和最大

1.$01$背包问题

$01$背包问题特点：每种物品仅有一件

状态表示：定义$f(i,j)$表示只从前$i$个物品中选择，总体积不超过$j$的最大价值，最终答案为$f(n,m)$

状态转移：$f(i,j)$可以分为不选物品$i$和选物品$i$两种情况

状态转移方程:
$$f(i,j)=max(f(i-1,j),f(i-1,j-v_i)+w_i)$$

int f[N][N];
for(int i=1;i<=n;i++){
	for(int j=1;j<=m;j++){
		f[i][j]=f[i-1][j];
		if(j>=v[i]) f[i][j]=max(f[i][j],f[i-1][j-v[i]]+w[i]);
	}
}

优化：从二维变成一维

注意：这里$j$从大到小迭代，保证$f(j)$在$f(j-v_i)$改变前改变，从而使当前的f[j-v[i]]表示i-1时的状态

int f[N];
for(int i=1;i<=n;i++)
	for(int j=m;j>=v[i];j++)
		f[j]=max(f[j],f[j-v[i]]+w[i]);

2.完全背包问题

完全背包问题特点：每种物品有无数件

思路：类比$01$背包

状态表示：定义$f(i,j)$表示只从前$i$个物品中选择，总体积不超过$j$的最大价值

状态转移：$f(i,j)$可以分为不选物品$i$和选$1$ ~ $\lfloor \frac{j}{v_i}\rfloor$个物品$i$两种情况

等价变形：$f(i,j)$可以分为选$0$ ~ $\lfloor \frac{j}{v_i}\rfloor$个物品$i$的情况

状态转移方程:
$$f(i,j)=max(f(i,j),f(i-1,j-k{v}_i)+k{w}_i)(k\in [0,\lfloor \frac{j}{v_i}\rfloor ],k\in Z)$$

int f[N][N];
for(int i=1;i<=n;i++)
	for(int j=0;j<=m;j++)
		for(int k=0;k*v[i]<=j;k++)
			f[i][j]=max(f[i][j],f[i-1][j-k*v[i]]+k*w[i]);

优化：对于$f(i,j)$和$f(i,j-v_i)$而言：

$f(i,j)=max(f(i-1,j),f(i-1,j-v_i)+w_i,f(i-1,j-2v_i)+2w_i,\cdots )$

$f(i,j-v_i)=max(f(i-1,j-v_i),f(i-1,j-2v_i)+w_i,f(i-1,j-3v_i)+2w_i,\cdots )$

我们惊奇的发现：$f(i,j-v_i)$的表达式与$f(i,j)$的表达式除第一项以外只差$w_i$

于是将状态转移方程改写为：
$$f(i,j)=max(f(i-1,j),f(i,j-v_i)+w_i)$$

int f[N][N];
for(int i=1;i<=n;i++)
	for(int j=0;j<=m;j++){
		f[i][j]=f[i-1][j];
		if(j>=w[i]) f[i][j]=max(f[i][j],f[i][j-v[i]]+w[i]);
	}

再优化：从二维变成一维

注意：这里$j$不需要从大到小迭代，因为要让$f(j-v_i)$在$f(j)$改变前改变，从而保证物品$i$可以购买多件

int f[N];
for(int i=1;i<=n;i++)
	for(int j=v[i];j<=m;j++)
		f[j]=max(f[j],f[j-v[i]]+w[i]);

3.多重背包问题

多重背包问题特点：每种物品有件数限制

额外定义物品$i$有$s_i$件

状态表示：定义$f(i,j)$表示只从前$i$个物品中选择，总体积不超过$j$的最大价值

状态转移：$f(i,j)$可以分为选$0$ ~ $min(s_i,\lfloor \frac{j}{v_i}\rfloor )$个物品$i$的情况

状态转移方程:
$$f(i,j)=max(f(i,j),f(i-1,j-k{v}_i)+k{w}_i)(k\in [0,min(s_i,\lfloor \frac{j}{v_i}\rfloor )],k\in Z)$$

时间复杂度：$O(n^3)$

for(int i=1;i<=n;i++)
	for(int j=0;j<=m;j++)
		for(int k=0;k<=s[i]&&k*v[i]<=j;k++)
			f[i][j]=max(f[i][j],f[i-1][j-k*v[i]]+k*w[i]);

优化：转化为$01$背包问题

方法：二进制拆分

假设物品$i$有$1000$件，则可以选择的数量有$0,1,2,\cdots ,1000$，我们将物品按$1,2,4,\cdots ,256,489($此处为$1000-511)$件进行“打包”，则可将问题转化为“打包”后新$\lceil \log n\rceil$个物品的01背包问题，时间复杂度 $O(n^3)$变为$O(n^2\log n)$

//这里注意N至少要开到n*log(s)
int v[N],w[N];
int f[N];
int n,m,cnt;
//边读边打包
for(int i=1;i<=n;i++){
	int a,b,s;
	scanf("%d%d%d",&a,&b,&s);
	//打包存储，cnt记录打包后物品总数量 
	int k=1;
	while(k<=s){
		cnt++;
		v[cnt]=a*k;
		w[cnt]=b*k;
		s-=k;
		k*=2;
	}
	//剩余不足2^(k+1)个物品额外打包 
	if(s>0){
		cnt++;
		v[cnt]=a*s;
		w[cnt]=b*s;
	}
} 
//物品个数为cnt，背包容量为m的01背包问题
for(int i=1;i<=cnt;i++)
	for(int j=m;j>=v[i];j--)
		f[j]=max(f[j],f[j-v[i]]+w[i]);

利用单调队列优化多重背包，时间复杂度可以达到$O(n^2)$

4.分组背包问题

分组背包问题特点：物品分为多组，每组内有若干个，每组只能选一个

状态表示：定义$f(i,j)$表示只从前$i$组物品中选择，总体积不超过$j$的最大价值

状态转移：$f(i,j)$可以分为不从第$i$组物品中选和从第$i$组物品中选第$k$个物品两种情况

状态转移方程：
$$f(i,j)=max(f(i-1,j),f(i-1,j-v_{(i,k)})+w_{(i,k)})$$

优化：从二维变成一维（类比$01$背包，$j$从大到小遍历）

int n,m;//n组物品，容量为m
int v[N][N],w[N][N],s[N];//s[i]表示第i组物品的件数
int f[N];
for(int i=1;i<=n;i++)
	for(int j=m;j>=0;j--)
		for(int k=1;k<=s[i];k++)
			if(v[i][k]<=j)
				f[j]=max(f[j],f[j-v[i][k]]+w[i][k]);

四、树形$DP$

1.树的相关知识

树的直径：树上的最长链

求解方法：

$(1)$两次$DFS$

1. 任取树上一点$P$，进行一次$DFS$，找到离$P$最远的点$Q$
2. 再以点$Q$为起点进行一次$DFS$，找到离$Q$最远的点$W$，此时$Q$与$W$间的距离就是树的直径

$(2)$树形$DP$

对于每个节点我们需要记录两个值：

1. $f1(i)$表示以$i$为根的子树中$i$到叶子节点的最大值
2. $f2(i)$表示以$i$为根的子树中$i$到叶子节点的次大值

更新时，考虑贪心，先看是否能更新$f1$的值，再看是否能更新$f2$的值

1. 若$f1(i)<f1(j)+w(i,j)$，则$f2(i)=f1(i),f1(i)=f1(j)+w(i,j)$
2. 否则，若$f2(i)<f1(j)+w(i,j)$，则$f2(i)=f1(j)+w(i,j)$

最终的结果： m a x { f 1 ( i ) + f 2 ( i ) } max\{f1(i)+f2(i)\} max{f1(i)+f2(i)}

树的重心：删掉某个点后剩下的最大连通块大小最小

对于删掉某个节点，剩下的连通块大小分别是：

1. 以删掉点的儿子为根的子树大小
2. 整棵树大小减去以删掉点为根节点的子树大小