动态规划的设计思想与实例（最大子段和、最长公共子序列、0-1背包、编辑距离）

本文链接：https://blog.csdn.net/MTbbbbbb/article/details/103564455

动态规划算法与分治法类似，其基本思想是将总问题分解成若干个子问题，先求解子问题，再结合这些子问题的解得到原问题的解。与分治法不同的是，动态规划求解的问题经分解得到的子问题往往不是相互独立的。

基本思想：

将总问题分解成多个子问题（子问题也可以继续分解，直到无法分解），计算子问题，用一个表保存已解决的子问题的答案，算完子问题后回到总问题时从表中寻找已求得的答案，根据要求挑选最优解，加上总问题的里的具体变化再存入表中

设计步骤：

1.找出最优解的性质，并刻画其结构特征

根据具体问题找出其结构的特点，按该特点分解问题，使问题可以从其子问题的答案中寻找解

2.递归地定义最优值

写递归表达式，即子问题的答案中最合适的应该满足哪些条件总问题的解 = 最优解（子问题1，子问题2，子问题3……）+ 一定变化

3.以自底向上的方式计算最优值

存储子问题解的表一般为二维数组dp，按从左到右从上到下的顺序从下标(0,0)到(m,n)存储子问题的答案，在计算某一个子问题(r,c)时，根据之前计算好的解来得出答案，例如dp[l][r]=max(dp[r-1][c],dp[r][c-1])+1，表示问题(r,c)的解依据是子问题(r-1,c)和(r,c-1)的解

4.根据计算最优值时得到的信息，构造最优解

看问题的解的具体要求，一般直接为dp[m][n]

实例

最大子段和

给定n个整数（可能为负整数）组成的序列a1，a2……an，求该序列的子段和的最大值（al+al+1+al+2+……+ar-1+ar），当子段和小于0时定义其为0。

分析问题，可以得到特征：

1.子段是连续的

2.当子段中所有负整数与正整数相加的结果小于0时该子段和取0，即子段和大于等于0

3.子段和最大的子段一定会以某个元素ai为结尾

（先简称以ai-1、ai为结尾的子段和最大的两个子段为子段ai-1和子段ai）

结合1和3可以得到关系：子段ai一定包括元素ai（因为以它为结尾），该子段的ai元素的上一位一定是ai（因为子段连续），或者是空（即整个子段只有ai），那么以ai为结尾的子段的最大子段和为：max(以ai-1为结尾的子段的最大字段和+ai，0）

即递归表达式：dp[i]=max(dp[i-1]+a[i],0)（其中dp[i]指子段ai的子段和，a[i]指ai）

（其实不需要a数组，一个dp数组就够了）

#include<iostream>
using namespace std;
int main()
{
   
    int dp[100000],m,n,i;
    while(cin>>n)
    {
   
        for(i=0;i<n;i++)
            cin>>dp[i];
        m=dp[0]=max(dp[0],0);
        for(i=1;i<n;i++)
        {
   
            dp[i]=max(dp[i-1]+dp[i],0);
            m=max(m,dp[i]);
        }
        cout<<m<<'\n';
    }
    return 0;
}