DP复习

重新复习了算法导论的DP一章：

以前也看过， 不过那时候就是看， 基本没怎么用，

现在回过头来再看，还是很多发现。

根据求解子问题顺序的不同， 程序也会变为递归和迭代两种， 比如 a[i, k](k == 1 || k ==2, k依赖于每一步的选择空间有几个) 的结果依赖于 a[i-1, 1] 和 a[i-1, 2]。

如果是顺序的从 i = 0 开始求， 那么就是迭代。

如果是逆序的从i= N开始求， 那么就会变为递归。

不过每一个子问题求出最优解以后， 就应该把该解记下来， 以应对重叠子问题。

（动态规划这个名字其实有点误导， 这里有个原因， DP之父Richard Bellman, 也是BF最短路径的发明者， 以前在军事单位工作， 在研究中

发现了此方法， 但其上司十分厌恶理论研究， 于是不得不改了一个和这个算法听上去无关的名字， 动态规划， 其实本来是要叫 multistage decison process的

， 这个名字显然很贴切， 哎， 码农在哪都受气）

DP = divide and conqueror + memorization.

DP的两个条件， 最优子结构 和 重叠子问题：

最优子结构， 即在求解的某一step中（DP是步进式的）， 在此step的最优解必然包含了子问题的最优解（否则， 可以用代替大法，把更优解拿过来， 那么会得到一个

此step的更优解， 矛盾了， 因此必然包含子问题的最优解）

重叠子问题， 即在求解过程中， 会不止一次的遇到同样的问题， 而这时候， DP的memorization可以极大的提高效率（呵呵 就是就是cache嘛， 不过不会动态更新）

书上没有强调步进式（其实更准确的说， 应该是层(level)进式）， 可能觉得这是基本前提吧， 不过在解DP时， 步进式是要贯彻始终的思想，有了步进式， 才有了分解子问题。

那书上第一道例题， 双流水线来说， 步进式就是在每一个操作工序都要依次经过， 这样最后的大问题就可以分解成 这一步， 和以前所有步组成的最优解。

而重叠子问题则提现在， 比如在求 a[i, 1] 和 a[i, 2]，都要求依赖于 a[i-1, 1] 和 a[i-1, 2]的最优解， 求出一次， 下一次就可以直接用(因为a[i-1, 1] 和 a[i-1, 2]都能分解出同样的子问题， 因此重叠了). 本题的每一步选择空间只有2个（流水线只有两条）， 因此在每一步的子问题只有两个， 只需 最优(子问题1最优解+ 当前选择1， 子问题2最优解+当前选择2).

而对第二道题， 矩阵相乘次序， 步进式体现在选择括号上， 第一次选择括号， 有（1~N）个选择， 因此子问题也划分为这么多，而DP的优势在于这些子问题在进一步求解中会产生重叠子问题， 因此真正需要求出的其实是 1<=i<=j<=N 的组合的最优解， 共有N2次方个。

E.g, 第一次分割遍历子问题， 到了i， 1~i， i~N, 求出了 1 ~ i的最优解， 而对于j > i 来说 求出 1~j的最优解 是会依赖1~i的最优解的， 这就是重叠子问题了.    

在举一个更常见的题， 求某数组A的连续最大和， 这道题其实真分析起来， 是包含了两个DP的，

一个DP 是真正的求此数组1 ~ i range内的最大连续和   S[i]

第二个DP则是求此数组从结尾i开始的最大连续和 ES[i]

而当前1~i+1 range的最大连续和则是 S[i+1] =  max(S[i], ES[i] + A[i+1], A[i+1]).  而 ES[i+1] = max(ES[i] + A[i+1], A[i+1]);

可以看到 ES其实也是DP， 所以本题会维护两个辅助队列。 之所以这样， 也是因为连续和的特殊性质决定的（数组尾加上一个新数， 必须在上面那3者中进行对比）.

ES[i-1]其实就是重叠子问题.