动态规划——一个神奇的算法类

当我第一次做到一个题，那是一个拥暴搜来解决的问题。原本只是想要简单的看一下贪心法的算法实现，没想到竟然挖出了真么个庞然大物。

在没有看到他的代码实现之前，我一直以为计算机只是一个可以大量快速计算，但却只能以二进制，傻傻的算的机器。我没要做的，便是把一切问题转化为二进制的计算形式，交给他来解决。因此在我的印象中，算法挺无趣的。而动态规划这种问题，显然是只有高智商，高情商的人类才能做得的高级思维活动啊。

知道了动态规划之后，我才第一次深刻认识到计算机算法的神奇与强大，虽然底层运算始终是0与1的加减替换，但简单的0与1，也可以构造出如此人性化的计算方式。

好的，感慨到此为止，话不多说，以下贴题。

SDNU--1033.采药

Description

辰辰是个天资聪颖的孩子，他的梦想是成为世界上最伟大的医师。为此，他想拜附近最有威望的医师为师。医师为了判断他的资质，给他出了一个难题。医师把他带到一个到处都是草药的山洞里对他说：“孩子，这个山洞里有一些不同的草药，采每一株都需要一些时间，每一株也有它自身的价值。我会给你一段时间，在这段时间里，你可以采到一些草药。如果你是一个聪明的孩子，你应该可以让采到的草药的总价值最大。” 

如果你是辰辰，你能完成这个任务吗？

Input

输入的第一行有两个整数T（1 <= T <= 1000）和M（1 <= M <= 100），用一个空格隔开，T代表总共能够用来采药的时间，M代表山洞里的草药的数目。接下来的M行每行包括两个在1到100之间（包括1和100）的整数，分别表示采摘某株草药的时间（1 <= t <= T）和这株草药的价值（1 <= v <= 100000）。

Output

输出包括一行，这一行只包含一个整数，表示在规定的时间内，可以采到的草药的最大总价值。

Sample Input

100 5
77 92
22 22
29 87
50 46
99 90

Sample Output

133

当然，你可以说以采药为题很东方，很玄幻（也许只是我个人感觉），但这是我遇到的最费解的题，因为他的动态。

首先题目给了你总时间T,和草药总数M,每株草药的价值和时间。当然数据不算很大，这个题考的不是时间复杂度，二是算法实现，基础的01背包。（感谢强大的百度）这个题因为出现了两个可供规划的量，让我想起了高中学的线性规划。对付这类题，你需要的是找到一种逻辑上比较好理解，又容易实现和具体操作的算法，来解决这种实际的问题。就在这时，我了解到了“背包”。

这是一个多么形象的比喻啊！

以下摘自百度百科————

背包问题(Knapsack problem)是一种组合优化的 NP完全问题。问题可以描述为：给定一组物品，每种物品都有自己的重量和价格，在限定的总重量内，

我们如何选择，才能使得物品的总价格最高。问题的名称来源于如何选择最合适的物品放置于给定背包中。相似问题经常出现在商业、组合数学， 计算

复杂性理论、密码学和应用数学等领域中。也可以将背包问题描述为 决定性问题，即在总重量不超过W的前提下，总价值是否能达到V？它是在1978年

由Merkel和Hellman提出的。

背包问题已经研究了一个多世纪，早期的作品可追溯到1897年 [1]   数学家托比亚斯·丹齐格（Tobias Dantzig，1884-1956）的早期作品 [2]   ，并指

的是包装你最有价值或有用的物品而不会超载你的行李的常见问题。

（其实我发现这些题都是和古现当代数学问题有关的）这是一个好用的模版，你完全可以代入采药。

而最关键的一部代码就在于————

f[j]=max(f[j-m[i]]+v[i],f[j]);

01背包的状态转换方程 f[i,j] = Max{ f[i-1,j-Wi]+Pi( j >= Wi ),  f[i-1,j] }

So simple, so powerful! 乍一看你或许会觉得这和递归有些相似，但事实上他们根本不是一回事。递归是机械的，死板的，而动态规划的奇妙，就在于动态。对于每一步，每一次甄选，都有两个方向，随数据的改变而改变。毕竟，在这种计算整体最优的题上，一步最优不是最优，在最后那一步达成之前，一切最优都是不确定的。

以我现在的水平，还不能很清晰的在脑海中重现他在计算机中的每一步实现与运算，但我可以认识到这种算法有大用。

具体到这个题上来，在时间T内，采得最大价值药草。一看就知道这个问题很复杂，就算是用人脑考虑，数据稍大也很麻烦。既然如此，我们只好尝试倒推，来简化逻辑。假设f[i，T]最大价值已经达成，那么对于任意一个草药，我们有2种选择，放或者不放，而一旦背包中一种草药确定放入，那么背包中其他草药所用最大时间  t 也就确定，在这个时间内最大价值f[i-1， t] 也就确定。对于这个草药，我们只要判断一下f[i-1,t] +v 与 f[i-1, T]的大小，就可以确定一个或除去一个草药。n次之后，得出结果。逻辑如此，剩下的便是准备工作。

在以上逻辑中，我们需要对每一个草药进行判断，和几乎每一个时间内的最大价值连递得出，所以，外层n个草药循环，每个草药内层每个时间内判断是否放入。因为时间量不同，对于每个草药是否放入都有影响，所以我们只好把每个时间点上都计算出，毕竟动态规划靠的就是数据量大，复杂度高，精细判断。

以下是在下的代码，记得好像是借鉴了网上大佬的典例，毕竟我只是新手。

#include<cstdio>
#include<iostream>
using namespace std;
#define N 1005
#define M 105


int t,n;
int v[M],m[M],f[N];
int main()
{
    int i,j;
    scanf("%d %d",&t,&n);
    for(i=1;i<=n;i++)
        scanf("%d %d",&m[i],&v[i]);
    for(int i=1;i<=n;i++)
        for(j=t;j>=m[i];j--)
            f[j]=max(f[j-m[i]]+v[i],f[j]);//核心core
    printf("%d",f[t]);
    return 0;
}

最精炼的代码就是最好的代码，在我没看背包算法自己尝试的那些日子里，我还以为会多么繁杂，然而，just so-so 。

这是个动态规划入门题，变式很多难度也更大，ACM之路与君共勉。

So far，thanks for your reading.