如果想了解更多内容,欢迎关注我的微信公众号:信息学竞赛从入门到巅峰。
之前我们讲解了几种典型背包问题的问题模型和解决方法。
其实,背包问题只是动态规划问题(简称DP)的冰山一角。动态规划还包含众多类型,有的问题甚至需要数据结构维护,是信息学竞赛中的一个难点,更是一个重点。
今天,我们通过对背包问题的总结,来讲解一下动态规划的基本思路。
首先,解决动态规划问题的基本步骤有:设置状态、枚举子问题,更新答案。
我们以01背包作为例子:
设置状态
设置状态的关键在于找到我们的目标和哪些自变量有关系,只要把这些自变量加入到状态中即可。
在这个问题中,我们要求解最大价值,考虑如何设置状态。
显然,答案(即最大价值)和每一件物品是否选择、已用背包容量有关。那么,状态的设置就要和这些要素有关。
由于答案和两个因素有关,我们很容易就能想到状态应该是一个二维的数组,一维表示当前处理的物品,一维表示已用背包容量。
枚举子问题
子问题的枚举要做到不重不漏。
根据设置的状态,枚举当前解决的这个小问题要从哪些更小的问题转移而来。
在01背包的问题中,我们设置了f[i][j]表示前i个物品,占用了j的空间所能达到的最大价值。
那么,我们考虑,处理第 i 个物品的时候,它的子问题显然是处理 i-1 个物品。
接着,处理占用容量为 j 时,它的子问题显然是处理容量为 j-c[i](表示选了第i个物品)和j(表示没选第i个物品)。
我们结合以上两个方面,可以找到处理 f[i][j] 的子问题是(f[i-1][j-c[i]])和(f[i-1][j])。
更新答案
在设置好状态,并找到子问题之后,就来到了DP的重头戏,更新答案,也就是设置动态转移方程。
在转移的时候,我们要思考子问题与父问题之间的关系,是取max?还是相加减?还是其他操作。
在上述例子中,由于我们要求最大价值,那么显然是用两个子问题的最大值来更新父问题。这样就能得出转移方程。
f[i][j] = max(f[i - 1][j], f[i - 1][j - c[i]] + w[i])
接下来,我们介绍一下动态规划的适用范围。
无后效性。
无后效性是什么意思呢?
简单来说,就是父问题的决策不会对子问题的决策造成影响。
以01背包为例,无后效性是指不管第 i 个物品选或不选,都不会影响到前 i-1 个物品所做出的决策。换句话说,就是不管第i个物品选或不选,不会对f[0...(i-1)][0...V]的值产生影响。
局部最优与全局最优
另一个要求是局部最优解能推出全局最优解。
这句话应该很好理解。我们用f[i-1][j-c[i]]和f[i-1][j]的值来求解f[i][j]的值,这就是通过局部最优解来推算全局最优解。
这个概念也经常用于贪心算法之中,也是类似的意思。
在接下来的文章中,我会分不同类型再深入讲解动态规划问题,以加强大家对动态规划问题的理解。