动态规划--数字三角形问题

动态规划的核心是状态和状态转移方程。

问题描述与状态定义

动态规划的典型问题是数字三角形问题，如上图的图1所示，有一个非负整数组成的三角形，第一行只有一个数，除了最下行之外每个数的左下方和右下方各有一个数，从第一行的数开始，每次可以往左下或者右下走一格，知道走到最下行，把沿途经过的数全部加起来，如何走才能使得这个和尽量大。

分析

• 解决这个问题的时候，每次有两种选择：左下或者右上。如果用回溯法求出所有可能的路线，就可以从中选出最优的路线。但是和往常一样，回溯法的效率太低：一个n层数字三角形的完整路线有2^(n-1)条，当n很大时回溯法的速度将变得很慢。
• 为了得到高效的算法，需要抽象的方法思考问题：把当前得位置(i,j)看成是一个状态，然后定义状态(i,j)的指标函数d(i,j)为从格子(i,j)出发时能得到的最大和，a(i,j)为格子本身的值。
• 从格子(i,j)出发有两种决策，如果往左走，则走到(i+1,j)后需要求“从(i+1,j)出发后能得到的最大和”这一问题，即d(i+1,j)，类似的，往右走之后需要求解d(i+1,j+1)。总结为下面的状态转移方程： d(i,j)=a(i,j)+max{d(i+1,j),d(i+1,j+1)}

方法                  

   1.递归计算

int solve(int i,int j){
    return a[i][j]+(i==n?0:max(solve(i+1,j),solve(i+1,j+1)))
}

• 这样做是正确的，但是时间效率太低了，其原因在于重复计算，如图2中solve(1,1)对应的调用关系，solve(3,2)被计算了2次。

     2.递推计算

int i,j;
for(int j=1;j<=n;j++)
    d[n][j]=a[n][j];
for(int i=n-1;i>=1;i--){
    for(int j=1;j<=i;j++){
        d[i][j]=a[i][j]+max(d[i+1][j],d[i+1][j+1])
    }
}

• 程序的时间复杂度是O(n^2)，这样计算的原因在于i是逆序枚举的，因此计算d[i][j]前，它所需要的d[i+1][j]和d[i+1][j+1]一定已经计算出来了。
• 在多数情况下，递推的时间复杂度是：状态的总数X每个状态的决策个数X决策时间。

    3：记忆化搜索

• 程序分为两部分：第一部分把d全部初始化为-1。

memset(d,-1,sizeof(d))

• 然后编写递归函数。

int solve(int i,int j){
    if(d[i][j]>=0)
        return d[i][j];
    return d[i][j]=a[i][j]+(1==n?0:max(solve(i+1,j),solve(i+1,j+1)));
}

• 上述程序依然是递归的，但是同时也把计算结果保存在数组d中。题目中说各个数都是非负数，因此如果已经计算过某个d[i][j],则它应该是非负的，这样通过判断d[i][j]是否大于等于0来得知它是否被计算过。时间复杂度是O(n^2)。

• 上述的方法称为记忆化，如图2所示，它虽然不像递推法那样显式的指明了计算顺序，但仍然可以保证每个节点只访问一次。