HHU暑期第四弹——动态规划入门（01背包+完全背包+多重背包+最长上升子序列和公共子序列）

最新推荐文章于 2020-08-17 18:24:49 发布

想飞的小菜鸡丶

最新推荐文章于 2020-08-17 18:24:49 发布

阅读量1.2k

点赞数

分类专栏： ------ACM------ ------HHU暑期联训------ ------dp动态规划------ 背包问题最长上升子序列+最长公共子序列

本文链接：https://blog.csdn.net/hhu1506010220/article/details/52235877

版权

------ACM------ 同时被 3 个专栏收录

26 篇文章 1 订阅

订阅专栏

------HHU暑期联训------

12 篇文章 0 订阅

订阅专栏

------dp动态规划------

2 篇文章 0 订阅

订阅专栏

第四弹动态规划入门的主要内容有以下几部分：01背包，完全背包，多重背包，最长上升子序列和公共子序列。

一、01背包

有N件物品和一个容量为V的背包。第i件物品的费用是c[i]，价值是w[i]。求解将哪些物品装入背包可使价值总和最大。

从这个题目中可以看出，01背包的特点就是：每种物品仅有一件，可以选择放或不放。

(1-1)

对于这方方程其实并不难理解，方程之中，现在需要放置的是第i件物品，这件物品的体积是C[i],价值是W[i],因此F[i-1][j]代表的就是不将这件物品放入背包，表示前i-1件物品中选取若干件物品放入剩余空间为j的背包中所能得到的最大价值；而F[i-1][j-C[i]]+W[i]则是代表将第i件放入背包之后的总价值，表示前i-1件物品中选取若干件物品放入剩余空间为j-C[i]的背包中所能取得的最大价值加上第i件物品的价值。根据第i件物品放或是不放确定遍历到第i件物品时的状态F[i][j]，比较两者的价值，得出最大的价值存入现在的背包之中。理解了这个方程后，将方程代入实际题目的应用之中，可得

无误版01背包模板：

for(i = 1; i<=n; i++)  
{  
    for(j= V; j>=0; j--)//在这里，背包放入物品后，容量不断的减少，直到再也放不进了  
    { 
        if（j>=C[i]） 
        dp[i][j]=max(dp[i-1][j],dp[i-1][j-C[i]]+W[i]);  
        else dp[i][j]=dp[i-1][j];
    }  
}

//01背包第k优解 
int v[1001],w[1001];
int dp[1001][1001];
int a[1000],b[1000];
memset(dp,0,sizeof(dp));
memset(a,0,sizeof(a));
memset(b,0,sizeof(b));
int n,V,k,d;
scanf("%d%d%d",&n,&V,&k);
for(int i=1;i<=n;i++)
{
	scanf("%d",&w[i]);
}
for(int i=1;i<=n;i++)
{
	scanf("%d",&v[i]);
}
for(int i =1;i<=n;i++)  
{  
    for(int j = V;j>=v[i];j--)  
    {  
        for(d = 1;d<=k;d++)  
        {  
            a[d] = dp[j-v[i]][d] +w[i];  
            b[d] = dp[j][d];  
        }  
        int x =1;
		int y = 1;
		int z = 1;  
        a[d] = b[d] = -1;  //可能a或b数组先比完 
        while(z<=k && (x<=k || y<=k))  //将之前的dp[j]的所有可能值进行合并并排序找第k大
        {  
            if(a[x]>b[y])  
            dp[j][z] = a[x++];  
            else  
            dp[j][z] = b[y++];  
            if(z==1||(dp[j][z]!=dp[j][z-1])) //去重 
            z++;  
        }  
    }  
}  
printf("%d\n",dp[V][k]);//dp[V][k]即为第k优解

推荐博文-->背包问题——“01背包”详解及实现（包含背包中具体物品的求解）

01背包的题目有：HDOJ2546、1171（多重背包）、2602、2639、2955、3466、1864

二、完全背包

完全背包是在N种物品中选取若干件（同一种物品可多次选取）放在空间为V的背包里，每种物品的体积为C₁，C₂，…，C_n，与之相对应的价值为W₁,W₂，…，W_n.求解怎么装物品可使背包里物品总价值最大。

动态规划（DP）：

1）子问题定义：F[i][j]表示前i种物品中选取若干件物品放入剩余空间为j的背包中所能得到的最大价值。

2）根据第i种物品放多少件进行决策

(2-1)

其中F[i-1][j-K*C[i]]+K*W[i]表示前i-1种物品中选取若干件物品放入剩余空间为j-K*C[i]的背包中所能得到的最大价值加上k件第i种物品；

设物品种数为N，背包容量为V，第i种物品体积为C[i]，第i种物品价值为W[i]。

与01背包相同，完全背包也需要求出NV个状态F[i][j]。但是完全背包求F[i][j]时需要对k分别取0,…，j/C[i]求最大F[i][j]值,耗时为j/C[i]。那么总的时间复杂度为O(NV∑(j/C[i]))。

这跟01背包问题一样有O(N*V)个状态需要求解，但求解每个状态的时间已经不是常数了，求解状态f[i][v]的时间是O(v/c[i])，总的复杂度是超过O(VN)的。将01背包问题的基本思路加以改进，得到了这样一个清晰的方法。这说明01背包问题的方程的确是很重要，可以推及其它类型的背包问题。但我们还是试图改进这个复杂度。
一个简单有效的优化：完全背包问题有一个很简单有效的优化，是这样的：若两件物品i、j满足c[i]<=c[j]且w[i]>=w[j]，则将物品j去掉，不用考虑。这个优化的正确性显然：任何情况下都可将价值小费用高得j换成物美价廉的i，得到至少不会更差的方案。对于随机生成的数据，这个方法往往会大大减少物品的件数，从而加快速度。然而这个并不能改善最坏情况的复杂度，因为有可能特别设计的数据可以一件物品也去不掉。这个优化可以简单的O(N^2)地实现，一般都可以承受。另外，针对背包问题而言，比较不错的一种方法是：首先将费用大于V的物品去掉，然后使用类似计数排序的做法，计算出费用相同的物品中价值最高的是哪个，可以O(V+N)地完成这个优化。这个不太重要的过程就不给出伪代码了，希望你能独立思考写出伪代码或程序。
转化为01背包问题求解：既然01背包问题是最基本的背包问题，那么我们可以考虑把完全背包问题转化为01背包问题来解。最简单的想法是，考虑到第i种物品最多选V/c[i]件，于是可以把第i种物品转化为V/c[i]件费用及价值均不变的物品，然后求解这个01背包问题。这样完全没有改进基本思路的时间复杂度，但这毕竟给了我们将完全背包问题转化为01背包问题的思路：将一种物品拆成多件物品。
更高效的转化方法是：把第i种物品拆成费用为c[i]*2^k、价值为w[i]*2^k的若干件物品，其中k满足c[i]*2^k<=V。这是二进制的思想，因为不管最优策略选几件第i种物品，总可以表示成若干个2^k件物品的和。这样把每种物品拆成O(log(V/c[i]))件物品，是一个很大的改进。但我们有更优的O(VN)的算法。

O(VN)的算法：

for (int i = 1; i <= N; i++)
   for(int v=c[i];v<=V;v++)
      f[v]=max(f[v],f[v-c[i]]+w[i]);

完全背包模板：

for(int i=1;i<=N;i++){
	for(int j=0;j<=V;j++){
		if(j<v[i]) f[i][j]=f[i-1][j];
		else{
		     for(int k=0;k<=j/v[i];k++){
			f[i][j]=max(f[i-1][j-k*v[i]]+k*v[i],f[i][j]);	
			}
		}
	}
}

推荐博文--> 背包问题——“完全背包”详解及实现（包含背包具体物品的求解）

完全背包的题目有：POJ 1252、1384、2063

三、多重背包

问题：有个容量为V大小的背包，有很多不同重量weight[i](i=1..n)不同价值value[i](i=1..n)的货物，第i种物品最多有n[i]件可用，计算一下最多能放多少价值的货物。

对于多重背包的基本实现，与完全背包是基本一样的，不同就在于物品的个数上界不再是v/c[i]而是n[i]与v/c[i]中较小的那个。状态转移方程如下

     f(i,v) = max{ f(i-1,v-k*c[i]) + k*w[i] | 0<=k<=n[i] }

代码与完全背包的区别仅在内部循环上由

     for(k = 1; k <= j/weight[i]; ++k)

变为

     for(k = 1; k <=n[i] && k<=j/weight[i]; ++k)

当然，输入上的区别就不说了。

多重背包二进制拆分实现

跟完全背包一样的道理，利用二进制的思想将n[i]件物品i拆分成若干件物品，目的是在0-n[i]中的任何数字都能用这若干件物品代换，另外，超过n[i]件的策略是不允许的。

方法是将物品i分成若干件，其中每一件物品都有一个系数，这件物品的费用和价值都是原来的费用和价值乘以这个系数，使得这些系数分别为1,2,4,…,2^(k-1),n[i]-2^k+1，且k满足n[i]-2^k+1>0的最大整数。例如，n[i]=13，就将该物品拆成系数为1、2、4、6的四件物品。分成的这几件物品的系数和为n[i]，表明不可能取多于n[i]件的第i种物品。另外这种方法也能保证对于0..n[i]间的每一个整数，均可以用若干个系数的和表示。

代码如下：测试用例见代码末的注释

#include <iostream>
using namespace std;

/* 多重背包 二进制拆分
 * Time Complexity  大于O(N*V)
 * Space Complexity O(N*V)
 * 设 V <= 200 N <= 10 ，拆分后 物品总数 < 50
 * 每件物品有 log n[i]种状态
 */

int maxV[201];
int weight[50]; /* 记录拆分后物体重量 */
int value[50];  /* 记录拆分后物体价值 */
int V, N;

void main()
{
	int i, j;
	scanf("%d %d",&V, &N);
	int weig, val, num;
	int count = 0;

	for(i = 0; i < N; ++i)
	{
		scanf("%d %d %d",&weig,&val,&num);

		for(j = 1; j <= num; j <= 1) // 二进制拆分
		{
			weight[count] = j * weig;
			value[count++] = j * val;
			num -= j;
		}
		if(num > 0)
		{
			weight[count] = num * weig;
			value[count++] = num * val;
		}
	}
	for(i = 0; i < count; ++i)  // 使用01背包
	{
		for(j = V; j >= weight[i]; --j)
		{
			int tmp = maxV[j-weight[i]] + value[i];
			maxV[j] = maxV[j] > tmp ? maxV[j] : tmp;
		}
	}
	printf("%d",maxV[V]);
}

/*
	【输入样例】
	4 20
	3     9     3
	5     9     1
	9     4     2
	8     1     3
	【输出样例】
	47
*/

/* 
各种背包问题的模板 
 
【若要求恰好装满,初始化时f[1...V] = -INF(求最大)或INF(求最小),f[0] = 0】 
 
【若费用==价值时，如硬币能组成多少钱，用背包做时，f[i(费用)] 必定 == i(最大价值) （设能组成i元）  ，因为能组成i元。费用为i时，最大价值若少于i的x的话与能组成i元，矛盾(存在比x大的i),所以必定等于i元,如HDU2844】 
*/  
#include <set>  
#include <map>  
#include <list>  
#include <cmath>  
#include <ctime>  
#include <deque>  
#include <queue>  
#include <stack>  
#include <cstdio>  
#include <string>  
#include <vector>  
#include <cctype>  
#include <cstring>  
#include <sstream>  
#include <fstream>  
#include <cstdlib>  
#include <cassert>  
#include <iostream>  
#include <algorithm>  
  
using namespace std;  
//Constant Declaration  
/*--------------------------*/   
//#define LL long long   
#define LL __int64  
const int M=110;  
const int INF=1<<30;  
const double EPS = 1e-11;  
const double PI = acos(-1.0);  
/*--------------------------*/  
// some essential funtion  
/*----------------------------------*/  
void Swap(int &a,int &b){ int t=a;a=b;b=t; }  
int Max(int a,int b){ return a>b?a:b; }  
int Min(int a,int b){ return a<b?a:b; }  
int Gcd(int a,int b){ while(b){b ^= a ^=b ^= a %= b;} return a; }  
/*----------------------------------*/  
//for (i = 0; i < n; i++)  
/*----------------------------------*/  
  
int c[M], w[M], n1[M];//c:费用 w:价值 n1:数量  
int f[M];//f[与V有关],c和w[与n]有关  
int v, V, V1;//V:容量 V1:容量2  
  
//01背包  
void ZeroOnePack(int c, int w)  
{  
    for (int v = V; v >= c; v--)  
    {  
        f[v] = Max(f[v], f[v-c] + w);  
    }  
}  
  
//完全背包  
void CompletePack(int c, int w)  
{  
    for (int v = c; v <= V; v++)  
    {  
        f[v] = Max(f[v], f[v-c] + w);  
    }  
}  
  
//多重背包，二进制。  
void MultiplePack(int c, int w, int n1)  
{  
    if (c * n1 >= V)  
    {  
        CompletePack(c, w);   
    }  
    else  
    {  
        int k = 1;  
        while (k < n1)  
        {  
            ZeroOnePack(k*c, k*w);  
            n1 -= k;  
            k <<= 1;  
        }  
        ZeroOnePack(n1*c, n1*w);  
    }  
}  
  
int main()  
{  
    //freopen("in.txt","r",stdin);  
    //freopen("out.txt","w",stdout);  
    int t, case1 = 0;  
    scanf("%d", &t);  
    int n, m;//n:物品种数  
    int i, j;  
  
    //scanf("%d%d", &n, &m);  
    while (t--)  
    {  
        scanf("%d%d", &V, &n);  
        for (i = 1; i <= n; i++)  
        {  
            scanf("%d%d%d", &c[i], &w[i], &n1[i]);  
  
        }  
  
        memset(f, 0, sizeof(f));  
  
        for (i = 1; i <= n; i++)  
        {  
            MultiplePack(c[i], w[i], n1[i]);   
        }  
  
        printf("%d\n", f[V]);  
  
    }  
  
    return 0;  
}

多重背包模板：

int Max(int a,int b){ return a>b?a:b; }     
int c[M], w[M], n1[M];//c:费用 w:价值 n1:数量    
int f[M];//f[与V有关],c和w[与n]有关    
int v, V, V1;//V:容量 V1:容量2    
   
    int n, m;//n:物品种数    
    int i, j;    
    scanf("%d%d", &V, &n);    
    for (i = 1; i <= n; i++)    
    {    
        scanf("%d%d%d", &c[i], &w[i], &n1[i]);    
    }    
    memset(f, 0, sizeof(f));    
    for (i = 1; i <= n; i++)    
    {    
	    if (c[i] * n1[i] >= V)    
	    {    
		    for (int v = c[i]; v <= V; v++)    
		    {    
		        f[v] = Max(f[v], f[v-c[i]] + w[i]);    
		    }       
	    }    
	    else    
	    {    
	        int k = 1;    
	        while (k < n1[i])    
	        {     
				for (int v = V; v >=k*c[i]; v--)    
			    {    
			        f[v] = Max(f[v], f[v-k*c[i]] + k*w[i]);    
			    }       
	            n1[i] -= k;    
	            k <<= 1;    
	        }    
			for (int v = V; v >=k*c[i]; v--)    
		    {    
		        f[v] = Max(f[v], f[v-n1[i]*c[i]] + n1[i]*w[i]);    
		    }     
	    }         
    }    
    printf("%d\n", f[V]);

多重背包的题目有：POJ 1014 、 1276 、 1742 、 2392 、 3260 （完全+多重）

简单背包基础总结：

回顾了3种简单背包后，有些思想慢慢体会，实践中，对于01背包和完全背包使用一维数组实现是最简便高效的，对于多重背包，最好就是输入时进行二进制拆分，然后使用01背包，这样比基本实现和在运算时再进行拆分要简捷的多。

背包问题全解强烈推荐-->dp背包总结大全

四、最长上升子序列和公共子序列

最长公共子序列（LCS）问题描述:

给定两个序列，找出在两个序列中同时出现的最长子序列的长度。一个子序列是出现在相对顺序的序列，但不一定是连续的。例如，“ABC”，“ABG”，“BDF”，“AEG”，“acefg“，..等都是”ABCDEFG“ 序列。因此，长度为n的字符串有2 ^ n个不同的可能的序列。

注意最长公共子串（Longest CommonSubstring）和最长公共子序列（LongestCommon Subsequence, LCS）的区别：子串（Substring）是串的一个连续的部分，子序列（Subsequence）则是从不改变序列的顺序，而从序列中去掉任意的元素而获得的新序列；更简略地说，前者（子串）的字符的位置必须连续，后者（子序列LCS）则不必。比如字符串acdfg同akdfc的最长公共子串为df，而他们的最长公共子序列是adf。LCS可以使用动态规划法解决。

这是一个典型的计算机科学问题，基础差异（即输出两个文件之间的差异文件比较程序），并在生物信息学有较多应用。

例子：
输入序列“ABCDGH”和“AEDFHR” 的LCS是“ADH”长度为3。
输入序列“AGGTAB”和“GXTXAYB”的LCS是“GTAB”长度为4。

这个问题的直观的解决方案是同时生成给定序列的所有子序列，找到最长匹配的子序列。此解决方案的复杂性是指数的。让我们来看看如何这个问题（拥有动态规划（DP）问题的两个重要特性）：

（1）最优子结构：
设输入序列是X [0 .. m-1]和Y [0 .. n-1]，长度分别为m和n。和设序列 L(X [0 .. m-1]，Y[0 .. n-1]）是这两个序列的LCS的长度。

以下为L（X [0 .. M-1]，Y [0 .. N-1]）的递归定义：

如果两个序列的最后一个元素匹配（即X [M-1] == Y [N-1]）
L（X [0 .. M-1]，Y [0 .. N-1]）= 1 + L（X [0 .. M-2]，Y [0 .. N-1]）

如果两个序列的最后字符不匹配（即X [M-1]！= Y [N-1]）
L（X [0 .. M-1]，Y [0 .. N-1]）= MAX（L（X [0 .. M-2]，Y [0 .. N-1]），L（X [0 .. M-1]，Y [0 .. N-2]）

例子：

1）考虑输入字符串“AGGTAB”和“GXTXAYB”。最后一个字符匹配的字符串。这样的LCS的长度可以写成：
L(“AGGTAB”, “GXTXAYB”) = 1 + L(“AGGTA”, “GXTXAY”)

2）考虑输入字符串“ABCDGH”和“AEDFHR。最后字符不为字符串相匹配。这样的LCS的长度可以写成：
L(“ABCDGH”, “AEDFHR”) = MAX ( L(“ABCDG”, “AEDFHR”), L(“ABCDGH”, “AEDFH”) )

因此，LCS问题有最优子结构性质！

（2）重叠子问题：
以下是直接的递归实现，遵循上面提到的递归结构。(有兴趣的读者可以按照前面讲的记忆化存储来实现)

/* 简单的递归实现LCS问题 */
#include<stdio.h>
#include<stdlib.h>
int max(int a, int b);
/* Returns length of LCS for X[0..m-1], Y[0..n-1] */
int lcs( char *X, char *Y, int m, int n )
{
   if (m == 0 || n == 0)
     return 0;
   if (X[m-1] == Y[n-1])
     return 1 + lcs(X, Y, m-1, n-1);
   else
     return max(lcs(X, Y, m, n-1), lcs(X, Y, m-1, n));
}
/* Utility function to get max of 2 integers */
int max(int a, int b)
{
    return (a > b)? a : b;
}
/* 测试上面的函数 */
int main()
{
  char X[] = "AGGTAB";
  char Y[] = "GXTXAYB";
  int m = strlen(X);
  int n = strlen(Y);
  printf("Length of LCS is %d\n", lcs( X, Y, m, n ) );
  getchar();
  return 0;
}

上面直接的递归方法的时间复杂度为O（2 ^ n）.(在最坏的情况下。X和Y不匹配的所有字符即LCS的长度为0)。

按照到上述的实现，下面是对输入字符串“AXYT”和“AYZX”的部分递归树：

                       lcs("AXYT", "AYZX")
                       /                 \
         lcs("AXY", "AYZX")            lcs("AXYT", "AYZ")
         /            \                  /               \
lcs("AX", "AYZX") lcs("AXY", "AYZ")   lcs("AXY", "AYZ") lcs("AXYT", "AY")

在上述部分递归树，LCS（“AXY”，“AYZ”）被调用两次。如果我们绘制完整的递归树，那么我们可以看到，我们可以看到很多重复的调用。所以这个问题有重叠的子结构性质，可使用memoization的或打表来避免重新计算。下面是用动态规划(打表)解决LCS问题:

<pre name="code" class="cpp">/ *动态规划实现的LCS问题* /
#include<stdio.h>
#include<stdlib.h>
int max(int a, int b);
/* Returns length of LCS for X[0..m-1], Y[0..n-1] */
int lcs( char *X, char *Y, int m, int n )
{
   int L[m+1][n+1];
   int i, j;
   /* Following steps build L[m+1][n+1] in bottom up fashion. Note
      that L[i][j] contains length of LCS of X[0..i-1] and Y[0..j-1] */
   for (i=0; i<=m; i++)
   {
     for (j=0; j<=n; j++)
     {
       if (i == 0 || j == 0)
         L[i][j] = 0;
       else if (X[i-1] == Y[j-1])
         L[i][j] = L[i-1][j-1] + 1;
       else
         L[i][j] = max(L[i-1][j], L[i][j-1]);
     }
   }
   /* L[m][n] contains length of LCS for X[0..n-1] and Y[0..m-1] */
   return L[m][n];
}
/* Utility function to get max of 2 integers */
int max(int a, int b)
{
    return (a > b)? a : b;
}
/*测试上面的函数 */
int main()
{
  char X[] = "AGGTAB";
  char Y[] = "GXTXAYB";
  int m = strlen(X);
  int n = strlen(Y);
  printf("Length of LCS is %d\n", lcs( X, Y, m, n ) );
  getchar();
  return 0;
}

最长递增子序列（LIS）的问题:

可以使用动态规划要解决的问题，例如，最长递增子序列（LIS）的问题是要找到一个给定序列的最长子序列的长度，使得子序列中的所有元素被排序的顺序增加。

例如，{10，22，9，33，21，50，41，60，80} LIS的长度是6和 LIS为{10，22，33，50，60，80}。

最优子结构：

对于长度为N的数组A[N] = {a0, a1, a2, …, an-1}，假设假设我们想求以aj结尾的最大递增子序列长度，设为L[j]，那么L[j] = max(L[i]) + 1, where i < j && a[i] < a[j], 也就是i的范围是0到j – 1。这样，想求aj结尾的最大递增子序列的长度，我们就需要遍历j之前的所有位置i（0到j-1），找出a[i] < a[j]，计算这些i中，能产生最大L[i]的i，之后就可以求出L[j]。之后我对每一个A[N]中的元素都计算以他们各自结尾的最大递增子序列的长度，这些长度的最大值，就是我们要求的问题——数组A的最大递增子序列。

重叠子问题：

以下是简单的递归实现LIS问题(先不说性能和好坏，后面讨论)。这个实现我们遵循上面提到的递归结构。使用 max_ending_here 返回每一个LIS结尾的元素，结果LIS是使用指针变量返回。

 
   /* LIS 简单的递归实现 */
#include<stdio.h>
#include<stdlib.h>
/* 要利用递归调用，此函数必须返回两件事情：
   1) Length of LIS ending with element arr[n-1]. We use max_ending_here for this purpose
   2) Overall maximum as the LIS may end with an element before arr[n-1]  max_ref is used this purpose.
The value of LIS of full array of size n is stored in *max_ref which is our final result
*/
int _lis( int arr[], int n, int *max_ref)
{
    /* Base case */
    if(n == 1)
        return 1;
    int res, max_ending_here = 1; // 以arr[n-1]结尾的 LIS的长度
    /* Recursively get all LIS ending with arr[0], arr[1] ... ar[n-2]. If
       arr[i-1] is smaller than arr[n-1], and max ending with arr[n-1] needs
       to be updated, then update it */
    for(int i = 1; i < n; i++)
    {
        res = _lis(arr, i, max_ref);
        if (arr[i-1] < arr[n-1] && res + 1 > max_ending_here)
            max_ending_here = res + 1;
    }
    // Compare max_ending_here with the overall max. And update the
    // overall max if needed
    if (*max_ref < max_ending_here)
       *max_ref = max_ending_here;
    // Return length of LIS ending with arr[n-1]
    return max_ending_here;
}
// The wrapper function for _lis()
int lis(int arr[], int n)
{
    // The max variable holds the result
    int max = 1;
    // The function _lis() stores its result in max
    _lis( arr, n, &max );
    // returns max
    return max;
}
/* 测试上面的函数 */
int main()
{
    int arr[] = { 10, 22, 9, 33, 21, 50, 41, 60 };
    int n = sizeof(arr)/sizeof(arr[0]);
    printf("Length of LIS is %d\n",  lis( arr, n ));
    getchar();
    return 0;
}
 
   
 
   
 
  

根据上面的实现方式，以下是递归树大小4的调用。LIS（N）为我们返回arr[]数组的LIS长度。

                      lis(4)          
                 /       |      \
         lis(3)      lis(2)    lis(1) 
        /     \        /        
  lis(2)  lis(1)   lis(1)
  /   
lis(1)

我们可以看到，有些重复的子问题被多次计算。所以我们可以使用memoization (记忆化存储)的或打表来避免同一子问题的重新计算。以下是打表方式实现的LIS。

/* LIS 的动态规划方式实现*/
#include<stdio.h>
#include<stdlib.h>
/* lis() returns the length of the longest increasing subsequence in
    arr[] of size n */
int lis( int arr[], int n )
{
   int *lis, i, j, max = 0;
   lis = (int*) malloc ( sizeof( int ) * n );
   /* Initialize LIS values for all indexes */
   for ( i = 0; i < n; i++ )
      lis[i] = 1;
   /* Compute optimized LIS values in bottom up manner */
   for ( i = 1; i < n; i++ )
      for ( j = 0; j < i; j++ )
         if ( arr[i] > arr[j] && lis[i] < lis[j] + 1)
            lis[i] = lis[j] + 1;
   /* Pick maximum of all LIS values */
   for ( i = 0; i < n; i++ )
      if ( max < lis[i] )
         max = lis[i];
   /* Free memory to avoid memory leak */
   free( lis );
   return max;
}
/* 测试程序 */
int main()
{
  int arr[] = { 10, 22, 9, 33, 21, 50, 41, 60 };
  int n = sizeof(arr)/sizeof(arr[0]);
  printf("Length of LIS is %d\n", lis( arr, n ) );
  getchar();
  return 0;
}

注意，上面动态的DP解决方案的时间复杂度为O（n ^ 2），其实较好的解决方案是 O(nlogn)

最长公共上升子序列：

定义状态

F[i][j]表示以a串的前i个整数与b串的前j个整数且以b[j]为结尾构成的LCIS的长度。

状态转移方程：

①F[i][j] = F[i-1][j] (a[i] != b[j])

②F[i][j] = max(F[i-1][k]+1) (1 <= k <= j-1 && b[j] > b[k])

现在我们来说为什么会是这样的状态转移方程呢？

对于①，因为F[i][j]是以b[j]为结尾的LCIS，如果F[i][j]>0那么就说明a[1]..a[i]中必然有一个整数a[k]等于b[j],因为a[k]!=a[i]，那么a[i]对F[i][j]没有贡献，于是我们不考虑它照样能得出F[i][j]的最优值。所以在a[i]!=b[j]的情况下必然有F[i][j]=F[i-1][j]。

对于②，前提是a[i] == b[j],我们需要去找一个最长的且能让b[j]接在其末尾的LCIS。之前最长的LCIS在哪呢？首先我们要去找的F数组的第一维必然是i-1。因为i已经拿去和b[j]配对去了，不能用了。并且也不能是i-2，因为i-1必然比i-2更优。第二维呢？那就需要枚举b[1]...b[j-1]了，因为你不知道这里面哪个最长且哪个小于b[j]。这里还有一个问题，可不可能不配对呢？也就是在a[i]==b[j]的情况下，需不需要考虑F[i][j]=F[i-1][j]的决策呢？答案是不需要。因为如果b[j]不和a[i]配对，那就是和之前的a[1]...a[j-1]配对（假设F[i-1][j]>0，等于0不考虑），这样必然没有和a[i]配对优越。（为什么必然呢？因为b[j]和a[i]配对之后的转移是max(F[i-1][k])+1，而和之前的i`配对则是max(F[i`-1][k])+1。

朴素的LCIS算法实现

以Hdu 1423 Greatest Common Increasing Subsequence为例。

预处理：

[cpp]view plaincopy 
   
 #include <iostream>  
 #include <cstdlib>  
 #include <cstdio>  
 #include <cstring>  
 #include <string>  
 #include <algorithm>  
 using namespace std;  
   
 const int MAXN = 1001;  
   
 int a[MAXN], b[MAXN];  
 int f[MAXN][MAXN];  
 int n, m;  
   
 void init()  
 {  
     memset(f, 0, sizeof(f));  
 }  

核心代码：

[cpp]view plaincopy 
   
 void dp()  
 {  
     init();  
     int i, j, k;  
     for(i = 1; i <= n; i++)  
     {  
         for(j = 1; j <= m; j++)  
         {  
             f[i][j] = f[i-1][j]; // if(a[i] != b[j])  
             if(a[i] == b[j])  
             {  
                 int MAX = 0;  
                 for(k = 1; k <= j-1; k++) if(b[j] > b[k]) //枚举最大的f[i-1][k]   
                 {  
                     MAX = max(MAX, f[i-1][k]);  
                 }  
                 f[i][j] = MAX+1;  
             }  
         }  
     }  
     int ans = 0;  
     for(int i = 1; i <= m; i++) ans = max(ans, f[n][i]);  
     printf("%d\n", ans);  
 }  

以上的代码的时间复杂度是O(n^3)，那我们怎么去优化呢？通过思考发现，第三层循环找最大值是否可以优化呢？我们能否直接把枚举最大的f[i-1][k]值直接算出来呢？假设存在这么一个序列a[i] == b[j],我们继续看状态转移方程②，会发现b[j] > b[k]，即当a[i] == b[j]时，可以推出a[i] > b[k] ，那么有了这个表达式我们可以做什么呢？可以发现，我们可以维护一个MAX值来储存最大的f[i-1][k]值。即只要有a[i] > a[j]的地方，那么我们就可以更新最大值，所以，当a[i] == b[j]的时候，f[i][j] = MAX+1，即可。

核心代码：

[cpp]view plaincopy 
   
 void dp()  
 {  
     for(int i = 1; i <= n; i++)  
     {  
         int MAX = 0; //维护最大值   
         for(int j = 1; j <= m; j++)  
         {  
             f[i][j] = f[i-1][j]; //a[i] != b[j]  
             if(a[i] > b[j]) MAX = max(MAX, f[i-1][j]);  
             if(a[i] == b[j]) f[i][j] = MAX+1;  
         }  
     }  
     int ans = 0;  
     for(int i = 1; i <= m; i++) ans = max(ans, f[n][i]);  
     printf("%d\n", ans);  
 }  

可以发现，其实上面的代码有些地方与0/1背包很相似，即每次用到的只是上一层循环用到的值，即f[i-1][j]，那么我们可以像优化0/1背包问题利用滚动数组来优化空间。

核心代码：

[cpp]view plaincopy 
   
 void dp()  
 {  
     init();  
     for(int i = 1; i <= n; i++)  
     {  
         int MAX = 0;  
         for(int j = 1; j <= n; j++)  
         {  
             if(a[i] > b[j]) MAX = max(MAX, f[j]);  
             if(a[i] == b[j]) f[j] = MAX+1;  
         }  
     }  
     int ans = 0;  
     for(int j = 1; j <= m; j++) ans = max(ans, f[j]);  
     printf("%d\n", ans);  
 }  

如果是求最长公共下降子序列呢？很明显嘛，把状态定义改动一下，即f[i][j]表示以a串的前i个整数与b串的前j个整数且以b[j]为结尾构成的LCDS的长度，具体实现的时候只要把a[i] > b[j]改为a[i] < b[j]就可以啦。

扩展阅读：http://wenku.baidu.com/view/3e78f223aaea998fcc220ea0.html

子序列问题转移方程详解-->传送门

想飞的小菜鸡丶

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
HHU暑期第四弹——动态规划入门（01背包+完全背包+多重背包+最长上升子序列和公共子序列）

第三弹动态规划入门的主要内容有以下几部分：01背包，完全背包，多重背包，最长上升子序列和公共子序列。一、01背包有N件物品和一个容量为V的背包。第i件物品的费用是c[i]，价值是w[i]。求解将哪些物品装入背包可使价值总和最大。从这个题目中可以看出，01背包的特点就是：每种物品仅有一件，可以选择放或不放。 (1-1)
复制链接

扫一扫