基础动态规划总结

 DP模型

DP 的分类

DP问题可以分为线性和非线性的。

1. 线性DP，线性DP有两种方法，即顺推(自下向上，常写成循环嵌套的形式)与倒推(自上向下，常写成记忆化搜索)。

2. 非线性DP，例如树形DP，建立在树上，也有两个方向：①根→叶，根传递有用的信息给子节点，最后根得出最优解；②叶→根，根的子节点传递有用的信息给根，最后根得到最优解。

NOIP普及组常考的DP类型有如下几种：

• 线性DP： 线性动态规划，即具有线性阶段划分的动态规划。问题的模型是线性的，数据结构表现为线性表(数组)的形式。经典的问题包括：递推、最长公共子序列、最长递增子序列以及01背包问题。
• 背包DP： 背包动态规划是线性动态规划中特殊的一类，NOIP中考到的次数很多。一般用状态 f[i][j]f[i][j] 来表示 1\sim i1∼i 件物品装进容量是 jj 的背包时的 最大价值，背包型DP可以利用滚动数组优化成一维，但时间复杂度仍为 O(n^2)O(n2)。
• 区间DP： 区间动态规划一般以区间作为动态规划的阶段。一般这类问题有个明显的特点：就是给出的问题是按区间的性质进行，要么合并，要么分解为区间操作。一般用状态 dp[l][r]dp[l][r] 来表示从左端点 ll 到右端点 rr 这个区间上问题的 最优解。
• 矩阵DP： 矩阵类型，线性DP中特殊的一类，就是给出的数据模型就是一个二维矩阵，通常，在问题中给出了明确的决策，即在矩阵中进行操作。

DP 的特点

dp特点：dp把原问题视作若干个 重叠 的子问题的逐层递进，每个子问题的求解过程都会构成一个“阶段”，在完成一个阶段后，才会执行下一个阶段。

dp要满足无后效性：已经求解的子问题 不受后续阶段的影响。

DP 的解题要素

1. 设计状态：设计dp数组的含义，它要满足无后效性。
2. 设计状态转移方程：子问题之间是如何逐层递进的。递推型 DP 是通过一个转移方程实现的，记忆化搜索是通过递归求解子问题实现的。

背包问题

给定 nn 个重量为 w_1,w_2,...,w_nw1​,w2​,...,wn​ ，价值为 v_1,v_2,...,v_nv1​,v2​,...,vn​ 的物品，要放进一个只能装最大重量为 CC 的背包，问，如何选择物品放入，才能使这个背包内的物品的总价值最大？求这个最大价值。

值得注意的是： 01背包问题是所有背包类问题的最基础的模型，其他类型的背包问题都可以通过将 01 背包的模型进行一些转化后得到。因此，01 背包一定要牢固掌握。

01背包

限制条件：每种物品只有一件，可以选择装（一件）或不装（装零件）。

定义状态

• 定义 f[i][j]f[i][j] 来表示将前 ii 件物品放入容量为 jj 的背包中时，所能获得的最大价值。容易得到，目标状态（我们最终要求的答案）就是 f[n][C]f[n][C]。

状态转移方程

• 考虑第 ii 件物品：
  • 不放：f[i][j] = f[i-1][j]f[i][j]=f[i−1][j]
  • 放：f[i][j] = f[i-1][j-w_i] + v_i, j-w_i>=0f[i][j]=f[i−1][j−wi​]+vi​,j−wi​>=0
  • 最终方程：f[i][j] = max(f[i-1][j], f[i-1][j-w_i] + v_i)f[i][j]=max(f[i−1][j],f[i−1][j−wi​]+vi​)
  • 可以优化掉状态的第一维，来降低空间复杂度

const int N = 1e4+5;
int n, m, w[N], v[N], dp[N];   // dp[i]: 装满体积是 i 的背包，能装的最大价值

int main(){
    cin >> m >> n;   // m: 背包体积   n:物品数量
    for(int i = 1; i <= n; i++)
        cin >> w[i] >> v[i];    // 物品重量 和 价值
    
    for(int i = 1; i <= n; i++)   // 枚举物品
        for(int j = m; j >= w[i]; j--)     // 倒序枚举体积
            dp[j] = max(dp[j-w[i]]+v[i], dp[j]);
    
    cout << dp[m];
    return 0;
}

Copy<