动态规划

基本思想：

  一般来说，问题可以划分为规模更小的字问题，并且原问题的最优解中包含了子问题的最优解，则可以考虑用动态规划解决。与分治法不同的是，适合用于动态规划去解决的问题，经过分解后得到的子问题的解往往不是相互独立的。

基本步骤： 

1. 找出最优解性质，重点是结构特性；
2. 递归的写出最优值（写出动态规划方程）
3. 以自底而上的方式计算出最优值
4. 根据计算的最优值，在经计算得出最优解。

例题：

 0-1背包：

          给定n个重量为w1,w2,w3.....wn价值为v1,v2,v3......vn​的物品和容量为C的背包，求这个物品中一个最有价值的子集，使得在满足背包的容量的前提下，包内的总价值F最大。

1、递归：
   假设我们将n个物品放到背包里获得的最大价值，此时我们便有两种选择 

1. 不放第n个物品，此时总价值为F(n−1,C)  
2. 放置第n个物品，此时总价值为vn+F(n−1,C−wn)vn+F(n−1,C−wn)

由此我们可以得出：
递推式：F(i,C)=max(F(i−1,C),v(i)+F(i−1,C−w(i)))

#include<iostream>
using namespace std;

int w[1001],v[1001],p[1001][1001];
void pack(int c,int n)
{
    int jmax=min(w[n-1],c);
    for(int j=0;j<jmax;j++) p[n][j]=0;
    for(int j=w[n];j<=c;j++) p[n][j]=v[n];

    for(int j=n-1;j>1;j--)
    {
        jmax=min(w[j-1],c);
        for(int i=0;i<=jmax;i++) p[i][j]=p[i+1][j];
        for(int i=w[j];i<=c;i++) p[i][j]=max(p[i+1][j],p[i+1][c-w[i]]+v[i]);

    }
    p[1][c]=p[2][c];
    if(c>=w[1])
        p[1][c]=max(p[1][c],p[2][c-w[1]]+v[1]);


}

void iteam(int c,int n,int x[])
{
    for(int i=1;i<=n;i++)
    {
        if(p[i][c]==p[i+1][c]) x[i]=0;
        else
        {
            x[i]=1;
            c-=w[i];
        }
        x[n]=(p[n][c])?1:0;
    }
}
int main()
{
    int n,W;
    cin>>n>>W;
    for(int i=0;i<=n;i++)
    {
        cin>>w[i]>>v[i];
    }
    pack(n,W);
    cout<<p[1][n];
}

 

最长单调递增子序列：
 找出一个n个数的序列X中最长的单调递增子序列。

 

​      假设已经求出前n个数据的递增长度子序列的长度了。求n+1的时候，n+1项的数据直接和前n项的数据挨个比较，然后找出前n的递增长度子序列长度最大的加1就行了。求递增子序列就是该过程的逆过程。找出递增最大的项M数据，然后减一，找前面的数据比M数据小，而且长度比其小一的数据就是成员之一。依次查找就可以找到最长递增能子序列。