DP初次总结

在做了一系列的背包问题，看了DD的背包九讲后，在这里，我想脱离背包问题，对更一般的动态规划做一次小小总结。

• 动归性质与举例

        动态规划是把原问题分解为相对简单的子问题，来求解复杂问题。动态规划的实质是分治思想和解决冗余，动态规划算法是将问题分解为更小的、相似的子问题，并存储子问题的解而避免计算重复的子问题，以解决最优化问题的算法策略。

       动态规划背后的基本思想非常简单。大致上，若要解一个给定问题，我们需要解其不同部分（即子问题），再合并子问题的解以得出原问题的解。 通常许多子问题非常相似，为此动态规划法试图仅仅解决每个子问题一次，从而减少计算量： 一旦某个给定子问题的解已经算出，则将其记忆化存储，以便下次需要同一个子问题解之时直接查表。 这种做法在重复子问题的数目关于输入的规模呈指数增长时特别有用。

步骤：

1. 最优子结构性质。如果问题的最优解所包含的子问题的解也是最优的，我们就称该问题具有最优子结构性质（即满足最优化原理）。最优子结构性质为动态规划算法解决问题提供了重要线索。
2. 子问题重叠性质。子问题重叠性质是指在用递归算法自顶向下对问题进行求解时，每次产生的子问题并不总是新问题，有些子问题会被重复计算多次。动态规划算法正是利用了这种子问题的重叠性质，对每一个子问题只计算一次，然后将其计算结果保存在一个表格中，当再次需要计算已经计算过的子问题时，只是在表格中简单地查看一下结果，从而获得较高的效率。

实例：

①floyd算法： d k (i,j) 表示经过序列号 <=k 的结点的最短路；

  状态转移方程：

  dk(i,j)=min(dk-1(i,k)+dk-1(k,j),dk-1(i,j))

②最长递增（递减子序列）

  状态转移方程

 dp[i]=max{dp[j](j<i)}+1；其中dp[i]表示以i结尾的最长递增子序列的长度

从中得出的lesson：当问题有两种选择，即可以选择或不选择当前元素时，则对选择当前的元素的情况用dp数组记录存储下来

• 动归与贪心

区别：

①动态规划：
全局最优解中一定包含某个局部最优解，但不一定包含前一个局部最优解，因此需要记录之前的所有最优解。
条件：最优子结构；重叠子问题。
方法：自底向上构造子问题的解

②贪心算法：
条件：每一步的最优解一定依赖上一步的最优解。
方法：从问题的某一个初始解出发逐步逼近给定的目标，以尽可能快的地求得更好的解。当达到某算法中的某一步不能再继续前进时，算法停止。

“贪心”特性：它对解空间树的遍历不需要自底向上，而只需要自根开始，选择最优的路，一直走到底就可以了。这样，与动态规划相比，它的代价只取决于子问题的数目，而选择数目总为1。

联系：

（1）都是一种递推算法；
（2）贪心和动态规划本质上是对子问题树的一种修剪。两种算法要求问题都具有的一个性质就是“子问题最优性”。即组成最优解的每一个子问题的解，对于这个子问题本身肯定也是最优的。

PS:平常说的“动态规划”是自底向上的动态规划，“备忘录方法”是自顶向下的动态规划

备忘录方法是动态规划算法的变形，它通过分治思想对原问题进行分解，以存储子问题的解的方式解决冗余计算，并采用自顶向下的递归方式获取问题的最终解。

与动态规划算法的不同之处是动态规划算法的递归方式是自底向上递归求解，而备忘录方法的递归方式是自顶向下递归求解。

当一个问题的所有子问题都至少要解一次时，使用动态规划算法。

当子问题空间中的部分子问题不需要求解时，使用备忘录方法。

以Fibonacci为例,

自顶向下的方法如下: 
int   f(int   i) 
{ 
        static   int   known[10000]   =   {0}; 
        if(   known[i]   !=   0   )return   known[i]; 
        int   t=i ; 
        if(i> 1)   t   =   f(i-1)   +   f(i-2);         
        return   known[i]   =   t; 
} 
自底向上的方法如下：
void f( int n ) 
{ 
int i; 
int known[i]={0}; 
known[1]=1; 
for( i=2; i <=n; ++i ) 

known[i]=known[i-1]+known[i-2]; 

return known[n];
}