详解状态压缩动态规划算法

本文始发于个人公众号：TechFlow，原创不易，求个关注

今天是算法与数据结构专题的第16篇，也是动态规划系列的第5篇。

今天文章的内容是动态规划当中非常常见的一个分支——状态压缩动态规划，很多人对于状态压缩畏惧如虎，但其实并没有那么难，希望我今天的文章能带你们学到这个经典的应用。

二进制表示状态

在讲解多重背包问题的时候，我们曾经讲过二进制表示法来解决多重背包。利用二进制的性质，将多个物品拆分成少数个物品，转化成了简单的零一背包来解决。今天的状态压缩同样离不开二进制，不过我个人感觉今天的二进制应用更加容易理解一些。

二进制的很多应用离不开集合这个概念，我们都知道在计算机当中，所有数据都是以二进制的形式存储的。一般一个int整形是4个字节，也就是32位bit，我们通过这32位bit上0和1的组合可以表示多大21亿个不同的数。如果我们把这32位bit看成是一个集合，那么每一个数都应该对应集合的一种状态，并且每个数的状态都是不同的。

比如上图当中，我们列举了5个二进制位，我们把其中两个设置成了1，其余的设置成了0。我们通过计算，可以得到6这个数字，那么6也就代表了(00110)这个状态。数字和状态是一一对应的，因为每个整数转化成二进制都是唯一的。

也就是说一个整数可以转化成二进制数，它可以代表某个集合的一个状态，这两者一一对应。这一点非常重要，是后面一切推导的基础。

状态转移

整数的二进制表示可以代表一个二元集合的状态，既然是状态就可以转移。在此基础上，我们可以得出另一个非常重要的结论——我们可以用整数的加减表示状态之间的转移。

我们还用刚才的例子来举例，上面的图当中我们列举了5个二进制位，假设我们用这5个二进制位表示5个小球，这些小球的编号分别是0到4。这样一来，刚才的6可以认为表示拿取了1号和2号两个小球的状态。

如果这个时候我们又拿取了3号小球，那么集合的状态会发生变化，我们用一张图来表示：

上图当中粉丝的笔表示决策，比如我们拿取了3号球就是一个决策，在这个决策的影响下，集合的状态发生了转移。转移之后的集合代表的数是14，它是由之前的集合6加上转移带来的变化，也就是$2^3$得到的。$2^3$刚好就代表拿取3号球这个决策，这样我们就把整个过程串起来了。

总结一下，我们用二进制的0和1表示一个二元集合的状态。可以简单认为某个物品存在或者不存在的状态。由于二进制的0和1可以转化成一个int整数，也就是说我们用整数代表了一个集合的状态。这样一来，我们可以用整数的加减计算来代表集合状态的变化。

这也就是状态压缩的精髓，所谓的压缩，其实就是将一个集合压缩成了一个整数的意思，因为整数可以作为数组的下标，这样操作会方便我们的编码。

旅行商问题

明白了状态压缩的含义之后，我们来看一道经典的例题，也就是大名鼎鼎的旅行商问题。

旅行商问题的背景很有意思，说是有一个商人想要旅行各地并进行贸易。各地之间有若干条单向的通道相连，商人从一个地方出发，想要用最短的路程把所有地区环游一遍，请问环游需要的最短路程是多少？在这题当中，我们假设商人从0位置出发，最后依然回到位置0。

我们来看下面这张图来直观地感受一下：

假设我们的商人从0位置出发，想要环游一周之后再次回到0，那么它所需要经历的最短距离是多少呢？

这个图还是比较简单的，如果在极端情况下也就是所有点之间都有连线的时候，对于每一个点来说，它可以选择的下一个位置一共有n-1种。那么一共可以选择的路线总共有n!种，这是一个非常大的值，显然是我们不能接受的。这也是为什么我们说旅行商问题是一个NP-Hard问题。

NP问题

既然说到了NP问题，简单和大家聊聊NP问题的定义。

很多算法的初学者对于这些概念非常迷糊，也的确，这些概念听起来都差不多，的确很容易搞晕。我们先从最简单的开始介绍，首先是P问题。

P问题可以认为是已经解决的问题，这个解决的定义是可以做多项式的时间复杂度内解决。所谓的多项式，也就是$O(n^k)$，这里的k是一个常数。与多项式相反的函数有很多，比如指数函数、阶乘等等。

NP问题并不是P问题的反义，这里的N不能理解成No，就好像noSQL不是非SQL的意思一样。NP问题指的是可以在多项式内验证解的问题。

比如给定一个排序的序列让我们判断它是不是有序的，这很简单，我们只需要遍历一下就好了。再比如大整数的因式分解，我们来做因式分解会很难，但是让我们判断一个因式分解的解法是不是正确则要简单得多，我们直接把它们乘起来和原式比较就可以了。

显然所有P问题都是NP问题，既然我们可以多项式内找到解，那么必然我们也可以在多项式内验证解是否正确。但是反过来是否成立呢，是否多项式时间内可以验证解的问题，也可以通过某种算法可以在多项式时间内被解开呢？究竟是我们暂时还没有想到算法，还是解法一开始就不存在呢&