动态规划｜特殊的多行规划｜dp[2][] 用两行元素分别记录状态变化

多行规划是我自己整理此类问题时起的名字，如有专属名词，麻烦评论告知

用于处理当动态规划中，需要记录多个值的状态变化时。

376. 摆动序列（特殊的自定义二维dp）

做惯了一般的动态规划，突然看到这种题目，容易发懵。
明明感觉是动态规划，但是你就是很难套进去，一维的做不出，二维的太复杂。
其实可以换一个思路，我们可以用两行dp分别记录状态的变化

dp[0][i] 到达i元素，以降序为结尾的 摆动序列 的最大长度
dp[1][i] 到达i元素，以升序为结尾的 摆动序列 的最大长度

然后每次遍历到i元素的时候，进行判断

若是升序，可拼凑到降序结尾的摆动序列，即之前降序为结尾的摆动序列最大长度+1，
dp[1][i] = dp[0][i-1] + 1; dp[0][i]则不变
同理 若是降序 dp[0][i] = dp[1][i-1]+1;dp[1][i]不变
若是相等，全不变

那么就很容易写出来了

class Solution {
    public int wiggleMaxLength(int[] nums) {
        // dp[0][i] 到达i元素，以降序为结尾的 摆动序列 的最大长度
        // dp[1][i] 到达i元素，以升序为结尾的 摆动序列 的最大长度

        // 到达i元素后，若是升序，可拼凑到降序结尾的摆动序列，即之前降序为结尾的摆动序列最大长度+1，则 dp[1][i] = dp[0][i-1] + 1; dp[0][i]则不变
        // 同理 若是降序 dp[0][i] = dp[1][i-1]+1;dp[1][i]不变
        // 若是相等，全不变

        // 初始化，dp[0][0]=1, dp[0][1]=1;

        int[][] dp = new int[2][nums.length];
        dp[0][0]=1;
        dp[1][0]=1;

        for(int i=1;i<nums.length;i++){

            // 若是升序
            if(nums[i]>nums[i-1]){
                dp[1][i] = dp[0][i-1] + 1;
                dp[0][i] = dp[0][i-1];
            }else if(nums[i]<nums[i-1]){
                dp[0][i] = dp[1][i-1]+1;
                dp[1][i] = dp[1][i-1];
            }else{
                dp[0][i] = dp[0][i-1];
                dp[1][i] = dp[1][i-1];
            }
        }

        return Math.max(dp[0][nums.length-1],dp[1][nums.length-1]);

    }
}

当然，你会发现并不需要用数组存储，直接用两个变量存储即可。

class Solution {
    public int wiggleMaxLength(int[] nums) {
        int up=1;
        int down=1;
        for(int i=1;i<nums.length;i++){
            // 若是升序
            if(nums[i]>nums[i-1]){
                up = down + 1;
            }else if(nums[i]<nums[i-1]){
                down=up+1;
            }
        }
        return Math.max(down,up);
    }
}

但是你只有理解了上面的数组存储，后面的两个变量直接存储才会清楚如何实现的。

152. 乘积最大子数组

这道题其实思考一下，它也是有两份状态变化的，你需要存储一个最大值最小值，因为后面是负数，最大值会成最小值，最小值有可能就成为了最大值。
那么就想到了多行规划。

dp[][i] 表示到达第i个元素时，数组的最连续最大乘积
dp[2][i] 第一行最大值，第二行最小值

那么当遍历到i元素时，最大值只可能有三种情况：
最大值乘以nums[i]，最小值乘以nums[i]，nums[i]比较一下即可。

dp[0][i] = max{dp[0][i-1]*nums[i],dp[1][i-1]*nums[i],nums[i]}
同理
dp[1][i] = min{p[0][i-1]*nums[i],dp[1][i-1]*nums[i],nums[i]}

那么代码也就迎刃而解了

class Solution {
    public int maxProduct(int[] nums) {

         int[][] dp = new int[2][nums.length];
         int max=nums[0];

         // 初始化
         dp[0][0]=nums[0];
         dp[1][0]=nums[0];
         // i从1开始遍历
         for(int i=1;i<nums.length;i++){
             dp[0][i] = Math.max(dp[0][i-1]*nums[i], 
                Math.max(dp[1][i-1]*nums[i],nums[i]));
             dp[1][i] = Math.min(dp[0][i-1]*nums[i], 
                Math.min(dp[1][i-1]*nums[i],nums[i]));
             max = Math.max(dp[0][i],max);
         }
         return max;
    }
}

再按照老套路，优化一下dp

class Solution {
    public int maxProduct(int[] nums) {

         int max=nums[0];
         int min=nums[0];
         int plus=nums[0];

         // i从1开始遍历
         for(int i=1;i<nums.length;i++){
             // 记录个max，避免后续计算min时，max已被改变
             int temp = max;
             max = Math.max(max*nums[i],Math.max(min*nums[i],nums[i]));
             min = Math.min(temp*nums[i],Math.min(min*nums[i],nums[i]));
             plus = Math.max(max,plus);
         }
         return plus;

    }
}