概论
状态压缩动态规划(Dynamic programming)简称状压DP,所以我们在学习这个算法之前要了解的内容有两方面,一是状态压缩,二是动态规划。
一、状态压缩
什么是状态压缩呢,我们举个栗子:比如有一串灯泡,灯泡的数量为5,我们要记录这一串灯泡的亮灭情况,该怎么记录呢?我们很容易想到的是用数字来记录,灯泡只有两种状态(亮或者灭),我们就可以用1代表灯泡亮,0代表灯泡不亮,这时我们就可以用五位数字来表示五个灯泡的亮灭情况,比如10011(亮灭灭亮亮),那么看到这一串只由0和1组成的数字我们又想到了什么呢,没错,二进制数,我们自然可以将这五位二进制数压缩为19这两位十进制数, 即所谓的状态压缩。
状态压缩的目的一方面是缩小了数据存储的空间,另一方面是在状态对比和状态整体处理时能够提高效率。这样就要求状态数据中的单元个数不能太大,比如用 int 来表示一个状态的时候,状态的单元个数不能超过 32(32 位的机器)。
二、动态规划
动态规划(Dynamic programming,简称DP)是一种在数学、管理科学、计算机科学、经济学和生物信息学中使用的,通过把原问题分解为相对简单的子问题的方式求解复杂问题的方法。
动态规划在查找有很多重叠子问题的情况的最优解时有效。它将问题重新组合成子问题。为了避免多次解决这些子问题,它们的结果都逐渐被计算并被保存,从简单的问题直到整个问题都被解决。因此,动态规划保存递归时的结果,因而不会在解决同样的问题时花费时间。
动态规划只能应用于有最优子结构的问题。最优子结构的意思是局部最优解能决定全局最优解(对有些问题这个要求并不能完全满足,故有时需要引入一定的近似)。简单地说,问题能够分解成子问题来解决。
当状态压缩和动态规划结合的时候便形成了一类问题的一种算法,即状态压缩动态规划(状压DP)的算法。这种算法最常见在棋盘问题上或者网格问题上,因为这一类问题的状态数据的单元较少,可以通过状态压缩来对当前棋盘或者网格的状态进行处理。
例题
这是一道典型的状压DP入门题,基本思路与刚刚讲的例子差不多,通过对每行的可行状态进行压缩,可以得出每行在当前状态下的可行解的数目,dp[i][S]表示在第i行土地处在S状态时所有的可行解数目。
那么当前第i行土地处在S状态时所有的可行解数目就等于当前状态S所满足上一行状态S0的所有可行解的和,于是状态转移方程为dp[i][S]=dp[i][S]+dp[i-1][S0]
AC代码如下
#include<iostream>
#include<string.h>
using namespace std;
int dp[13][1<<12];//在第i行土地处在S状态时所有的可行解数目
int cur[13];
const int mod=100000000;
int main()
{
int M,N,s;
cin>>M>>N;
memset(dp,0,sizeof(dp));
for(int i=1;i<=M;i++){
for(int j=0;j<N;j++){
cin>>s;
cur[i]|=s<<(N-j-1);//将每行土地的可种植情况状态压缩
}
}
for(int i=0;i<1<<N;i++){
if(!(i&i<<1)&&(i&cur[1])==i)dp[1][i]=1;//将第一行土地初始化,排除不可行的状态(无法种植的地方却种植了玉米)
}
for(int i=2;i<=M;i++){
for(int S=0;S<1<<N;S++){//S为当前状态
if(!(S&S<<1)&&(S&cur[i])==S){//判断当前状态是否为可行状态
for(int S0=0;S0<1<<N;S0++){//S0为上一行土地的状态
if(!dp[i-1][S0])continue;
if(!(S&S0)){//若状态满足种植条件则加上上一行土地处在S0状态的可行解
dp[i][S]=dp[i][S]+dp[i-1][S0];
}
}
}
}
}
long long ans=0;
for(int i=0;i<=1<<N;i++){//将最后一行的所有可行解相加便得到最终答案
ans=(ans+dp[M][i])%mod;
}
cout<<ans<<endl;
return 0;
}