动态规划_线性结构上的DP

【Longest Increasing Subsequence】

最长上升子序列（Longest Increasing Subsequence，LIS），在计算机科学上是指一个序列中最长的单调递增的子序列。LIS经常用于确定一个代价最小的调整方案，使一个序列变为升序。只需要固定LIS中的元素，调整其他元素即可。

• 状态转移方程：d(i) = max{0, d(j) | j < i,Aj < Ai}+1;
• 结果：ans = max{d(i)};

---

【Longest Common Subsequence】

LCS是Longest Common Subsequence的缩写，即最长公共子序列。一个序列，如果是两个或多个已知序列的子序列，且是所有子序列中最长的，则为最长公共子序列。

• 状态转移方程：
  d(i,j) = d(i-1,j-1) | s1[i]==s2[j]
  d(i,j) = max{d(i-1,j), d(i, j-1)} | s1[i]!=s2[j]
• 结果：ans = d(m,n);

---

【扩展1：最优矩阵乘链】

一个n*m的矩阵由n行m列共n*m排列而成。两个矩阵A和B可以相乘当且仅当A的列数等于B的行数。一个n*m的矩阵乘m*p的矩阵，运算量为n*m*p。
矩阵乘法不满足分配律，但满足结合律。因此A*B*C既可以按顺序（A*B）C也可以按A（B*C）来进行。假设A、B、C分别是2*3、3*4、4*5的，则（A*B）C运算量是2*3*4+2*4*5=64，A（B*C）的运算量是3*4*5*2*3*5=90.显然第一种顺序节省运算量。
给出n个矩阵组成的序列，设计一种方法把他们依次乘起来，使得总的运算量尽量小。假设第i个矩阵A[i]是P[i-1]*P[i]的。

• 动态规划的特点：局部最优。故寻找子序列最优即可。（前提是正确性的证明。）
• 状态转移方程：f(i,j) = min{ f(i, k)+f(k+1, j) + p[i-1]p[k]p[j] }。

---

【扩展2：最优三角剖分】

用多边形顶点的逆时针序列表示凸多边形，即P={v0,v1,…,vn-1}表示具有n条边的凸多边形。 给定凸多边形P，以及定义在由多边形的边和弦组成的三角形上的权函数w。要求确定该凸多边形的三角剖分，使得即该三角剖分中诸三角形上权之和为最小。

• 寻找局部最优解。
• d(i,j) = max{ d(i,k) + d(k,j) + w(i,j,k) | i< k< j }

---

动态规划算法通常用于求解具有某种最优性质的问题。在这类问题中，可能会有许多可行解。每一个解都对应于一个值，我们希望找到具有最优值的解。动态规划算法与分治法类似，其基本思想也是将待求解问题分解成若干个子问题，先求解子问题，然后从这些子问题的解得到原问题的解。
与分治法不同的是，适合于用动态规划求解的问题，经分解得到子问题往往不是互相独立的。若用分治法来解这类问题，则分解得到的子问题数目太多，有些子问题被重复计算了很多次。如果我们能够保存已解决的子问题的答案，而在需要时再找出已求得的答案，这样就可以避免大量的重复计算，节省时间。我们可以用一个表来记录所有已解的子问题的答案。不管该子问题以后是否被用到，只要它被计算过，就将其结果填入表中。这就是动态规划法的基本思路。具体的动态规划算法多种多样，但它们具有相同的填表格式。