hnjzsyjyj的专栏

● 状态：f[i][j]代表 前 i 位中长度为 j 的最长上升子序列的最后一位的大小。● 状态转移方程：f[i][j]=min(f[i][j],f[i-1][j-1])，if(a[i−1]<a[i])f[i][i-j+1]=min(f[i][i-j+1],a[i-1])，if(f[i−1][j−1]<a[i])

本题是“AcWing 895：最长上升子序列”和“AcWing 897：最长公共子序列”的结合版，在状态表示和状态计算上都是融合了这两道题目的方法。

​● 本题问题规模 1e3，所以采用如下经典动态规划方法求解是可行的。● 若问题规模大于 1e3，采用本题代码将会导致 MLE 及 TLE。则优化的“最长公共子序列”问题的代码解析详见：https://blog.csdn.net/hnjzsyjyj/article/details/149813893

本题算法解析中求“最长公共子序列”问题的代码，适用于 n≤10^3 的场景。

设 dp[i] 表示以第 i 个元素结尾的连续子序列的最大和‌。状态转移方程为：dp[i]=max(a[i], dp[i-1]+a[i])。若 dp[i-1]+a[i]<a[i]，说明当前元素作为新子序列的起点更优，此时置 t=i‌，以备未来更新起始下标 b 用。若 ans<dp[i]，说明发现更大的子序列和，则更新全局最大值 ans，并更新当前子数组的起始下标 b（来自 t）和结束下标 e（当前 i）‌。若所有子数组和均为负数（ans<0），则强制输出和 0，并默认取整个数组范围 [1, n]。

状态定义‌：dp[i] 表示以第 i 个元素结尾的严格单调递增子序列的长度。切记，选取的元素不一定连续。

● 子序列问题是指在一个序列（如数组、字符串等）中，寻找满足特定条件的子序列的算法问题。子序列指的是从原序列中依序选取的元素组成的新序列，但选取的元素不一定连续。● 子序列问题求解的核心思路：通过分解子问题，利用动态规划或特殊数据结构进行优化。不同变体需要灵活调整状态定义和转移条件‌。

本题是一个典型的图论可达性问题，结合动态规划思想解决特定条件下的路径查询。

0-1 背包问题的状态转移方程为：f[i][j]=max(f[i-1][j],f[i-1][j-vol[i]]+val[i])f[j]=max(f[j], f[j-vol[i]]+val[i])

动态规划分析方法：闫氏DP分析法 + 最后一步法

设 f[i] 为背包容积为 i 时的最佳方案的总价值，cnt[i] 为背包容积为 i 时总价值为最佳的方案数。由于背包里什么也不装也是一种方案，故初始化所有的 cnt{i] 为1。如果装新物品的方案总价值更大，那么用 f[j-vol]+val来更新 f[j]，用 cnt[j-vol] 更新 cnt[j]。如果总价值相等，那么最大价值的方案数就多了 cnt[j-vol] 种。

“链式前向星”就是“多单链表”，每条单链表基于“头插法”并用 e[]、ne[]、h[] 、val[] 等数组进行模拟创建。其中：e[idx]：存储序号为 idx 的边的终点值ne[idx]：存储序号为 idx 的边指向的边的序号（模拟链表指针）‌h[a]：存储头结点 a 指向的边的序号val[idx]：存储序号为 idx 的边的权值（可选）

在 ‌0-1背包问题‌ 中，如果我们希望‌按字典序输出方案‌（即优先选择编号小的物品），通常需要‌逆序遍历物品‌（从 N 到 1）进行动态规划，然后再‌正序遍历‌（从 1 到 N）回溯方案。

（1）0-1背包问题（0-1 Knapsack Problem）‌ 是经典的‌动态规划问题‌，属于‌组合优化‌领域。它的核心是在‌有限容量的背包‌中，选择‌一组物品‌（每件物品只能选或不选），使得‌总价值最大‌，同时‌不超过背包容量‌。（2）0-1背包问题的名称源于每件物品只有“选”或“不选”两种状态，即“1”或“0”，故称 0-1 背包‌。（3）0-1背包问题中的每件物品既不能拆分，也不能重复选。

典型的 0-1 背包问题。

● 设 f[i[[j] 表示机器人从左上角 (1,1) 走到 (i,j) 的走法，由于机器人只能向下或向右走，故利用动态规划法分析可得：f[i][j]=f[i-1][j]+f[i][j-1]。● 由于本题附设了障碍，故若障碍在 (i-1,j)  或 (i,j-1) 处，则对走法的贡献为 0。

● 最少硬币问题能否使用贪心法，跟硬币的面值是否为典范硬币系统有关。

本题 1≤N≤20，所以可以用基础的动态规划算法来求解。若 N 很大，就需要结合高精度来求解了。

本题的状态转移方程为：dp[i]=max(dp[i],dp[j-1]+sum[i]-sum[j])，其中 j∈[i-k, i-1]

浙江2011年省选题目，有相当难度。

此问题是“计数型”问题，适用于利用动态规划方法解决。

● 状态f[i][j] 表示 i 层楼 j 个鸡蛋的情况下，所需的最少次数。​​​​​​​● 状态转移分析设有 i 层楼 j 个鸡蛋，j 个鸡蛋在足够多的情况下，可以不用全部用完。（1）若不使用第 j 个鸡蛋，则状态更新为 f[i][j - 1]；（2）若使用第 j 个鸡蛋，并在第 k（1~i） 层扔。若鸡蛋碎，则状态更新为 f[k - 1][j - 1]。若鸡蛋没碎，则状态更新为 f[i - k][j]。● 枚举扔的楼层 k，在所有可行方案中选择最大值即为最坏情况，答案就是这些情况的最小值。

环形结构上的动态规划问题，是一种特殊的区间动态规划问题。由于存在“环形后效性”，所以不满足动态规划算法的“无后效性”约束条件。故常将环形结构上的动态规划问题，通过“断环为链”策略转化为线性动态规划问题求解。所谓“无后效性”，即“未来与过去无关”。所谓“断环为链”策略，即“把环断开为链，然后复制一倍接在末尾”。

​● 链式前向星：https://blog.csdn.net/hnjzsyjyj/article/details/139369904

​不妨设小蛮为 0 号，所有人的编号是 0∼n−1。● 环形动态规划（1）状态 f[i][j]：表示球传了 i 次后，在小朋友 j 手中的方案数。（2）利用最后一步法确立状态转移方程：f[i][j]=f[i-1][j-1]+f[i-1][j+1]（3）显然，所求为 f[m][0]。其中，设 f[0][0]=1。

● “跑步”时，每秒移动 17 米；“闪烁法术”时，3.5 秒（施法 1 秒+恢复 10/4 秒 = 3.5 秒）移动 60 米，等价于每秒移动 17+1/7 米。可见，“闪烁法术”稍快一些。因此，当时间允许时，一定要优先使用“闪烁法术”。故只在最后一小段没时间“闪烁法术”的时候，才使用“跑步”的方式。

●​​​​​​​ 情况讨论（1）二塔：圆盘个数为1时，最小移动次数为1。其他情况下为0。（2）三塔：将n-1个圆盘移到B，将最大圆盘移到C，将n-1个圆盘移到C。故有：d[n]=d[n-1]+1+d[n-1]（3）四塔：将 i 个圆盘移到B（1≤i≤n）。剩余 n-i 个盘为三塔问题，故最小移动次数为 d[n-i]。最后，将 B 塔上的 i 个圆盘移到到 D 塔。故总的最小移动次数为：f[n]=min(f[n], f[i]+d[n - i]+f[i])，其中 0

树形 DP 常用的数组：d1[u]：从当前结点 u 向下走的最长路径长度d2[u]：从当前结点 u 向下走的次长路径长度up[u]：从当前结点 u 向上走的最长路径长度p1[u]：从当前结点 u 向下走的最长路径是从哪个结点开始的p2[u]：从当前结点 u 向下走的次长路径是从哪个结点开始的

● 本题用到概率论中数学期望的线性性质

● 这是一道典型的动态规划算法题目。设 f(i,j) 表示从 (0,0) 走到 (i,j) 的路径的条数。如果 i=0 且 j=0，则 f[i][j]=1；否则，如果i=0，则 f[i][j]=f[i][j−1]；否则，如果 j=0，则 f[i][j]=f[i−1][j]；否则，f[i][j]=f[i−1][j]+f[i][j−1]。

● BFS 有“分层”的核心思想，故在本题中以 x+y 相同的值作为“分层”的依据。即若从某位置开始，则位于同一层的是 x+y 的值相同的位置。其中，x 是向下走的距离，y 是向右走的距离。● C++11 标准中的 for 循环，用 auto 以简洁、统一的方式来遍历容器和数组。● 运算符 ^ 表示按位异或。

本例用到的 vector 语法简介vector v(10); // 定义了10个 int 类型元素的向量 v，未初始化；vector v(10,1); //定义了10个 int 类型元素的向量 v，每个元素初始化为1。

设输入的序列是 a[1]~a[n]，依据最后一步法，可定义 DP 状态为：f[i][0]：以 a[i] 结尾的积为 -1 的连续子序列个数f[i][1]：以 a[i] 结尾的积为 1 的连续子序列个数例如，针对样例{1, 1, -1, -1}，有 f[1][1]=1，f[2][1]=2，f[3][1]=0，f[4][1]=3。

单调队列是指在队尾入队出队，在队首出队，且其元素具有单调性的特殊队列。其中，在队尾入队出队的操作是用来维护单调队列的单调性，在队首出队的操作是用来维护单调队列的大小。单调队列常用于动态规划问题的优化。★构建单调递减队列的目的在于求最大值，求最大值时的操作为“大覆盖，小附加”★构建单调递增队列的目的在于求最小值，求最小值时的操作为“小覆盖，大附加”......

混合背包问题并不是什么难题，它只是0-1背包问题、完全背包问题、多重背包问题等的组合而已。也就是说，在混合背包问题中，有些物品只能取一次（0-1背包），有些物品可以取无限次（完全背包），有些物品可以取有限次（多重背包）。只要深刻理解了0-1背包、完全背包、多重背包等基本背包问题的核心思想，就可以将混合背包问题拆分成若干基本的背包问题来解决。...............

输入一个整数，输出为2的幂次项和的形式。例如：输入26，输出26=1+2+4+8+11输入7，输出7=1+2+4

​令 c[i][j][k] 表示将前 i 个物品装入限制条件1为 j、限制条件2为 k 时，可获得的最大价值。根据求解普通0-1背包问题的状态转移方程的思路，相应可得二维费用的0-1背包问题的状态转移方程为：c[i][j][k] = max(c[i−1][j][k], c[i−1][j−vol1[i]][k−vol2[i]] + val[i] )二维优化为 c[j][k] = max(c[j][k], c[j−vol1[i]][k−vol2[i]] + val[i])...

二维费用的背包问题，即具有两种限制条件的背包问题，它是常见背包问题的一个简单的常见扩展。也就是说，常见的背包问题都会存在二维费用的扩展。如二维费用的0-1背包问题、二维费用的完全背包问题、二维费用的多重背包问题、二维费用的分组背包问题等。...

二维费用的背包问题，即具有两种限制条件的背包问题，它是常见背包问题的一个简单的常见扩展。也就是说，常见的背包问题都会存在二维费用的扩展。如二维费用的0-1背包问题、二维费用的完全背包问题等。二维费用的0-1背包问题的状态转移方程为：c[i][j][k] = max(c[i−1][j][k], c[i−1][j−vol1[i]][k−vol2[i]] + val[i] )优化为二维 c[j][k] = max(c[j][k], c[j−vol1[i]][k−vol2[i]] + val[i])......

题目大意：一个学生用 M 天的时间复习 N 门课程。已知花费在课程上的天数不同，将会有不同的收益。但是根据样例，并不是花费在课程上的天数越大，收益就越大。所以，请问如何安排这 M 天，可使得收益最大？解题思路：本题本质上是一个分组背包问题。可将每门课看成一个分组，每门课选择花费的不同天数看成是分组中的不同物品。显然，每组只能选择一个天数。这是因为花费在某门课上的天数，不可能即是 X 天，同时又是 Y 天，只可能是单选。本题中组数为 N，背包容量为M。......