动态规划的总结与思考

point 1 .动态规划是什么？用来解决什么问题？主要有哪几种问题？

这里引用leetcode上的一段话：动态规划（英语：Dynamic programming，简称DP）是一种在数学,管理科学,计算机科学,经济学和生物信息学中使用的，通过把原问题分解为相对简单子问题的方式求解复杂问题的方法。

所谓dp，个人感觉就是一个数组记录状态然后记忆化求解的过程，在这个过程中，有两点很重要，第一是状态表示，就是用一个数组来记录当前的状态是什么样的，第二就是状态转移，即是列出从上一个状态转移到目前状态的方程。这两点做完后我们基本就告成了一大半，最后就是处理下边界情况和一些初始状态，然后等着ac就可以了～

下面以很经典的爬楼梯问题为例子，如题：

你要爬n阶楼梯，每次你可以爬1阶或2阶，请问你有多少种方案可以爬上去？

我们首先来分析一下所谓的状态表示，这一题我们可以用dp[n]来表示你爬上n阶楼梯的所有方案数，即也是本题所谓的状态表示。这里注意到dp是个数组，所以我们之前的所有方案都会被记录在这个数组里，所以我们想要什么数据直接从里面找就可以了，这也就是所谓的记忆化。然后我们来考虑状态转移方程，回顾状态转移方程，即由前面的状态去更新当前的状态，而前面状态的正确结果我们已经得到了，所以这个更新类似于递归，我们可以由此得到所求状态的正确答案。

考虑一下本题，上到第n层可以由第n - 1层爬一步上来，也可以由第n - 2层爬两步上来，而上到第n - 1层的所有方案数和上到第n - 2层的所有方案数必定没有重合，故上到第n层的方案数是两者之和，故状态转移方程为dp[n] = dp[n - 1] + dp[n - 2]。这时候大半已经完成了，只需要考虑下边界即可。注意到数组下标必须为非负数，故dp[1]与dp[0]需要特殊处理，而这两个很容易得到都是1。故写出代码

vector<int> dp(n + 1);
dp[0] = 1, dp[1] = 1;

for (int i = 2; i <= n; i ++ )
dp[i] = dp[i - 1] + dp[i - 2];

return dp[n];

好了，引入完毕，正式进入专题。这篇文章总结dp问题有以下几种：背包问题，线性dp，区间dp，状态机模型，还会写一些关于图论的dp思想，如flyod等，更深一些的dp本小白也不咋了解就不班门弄斧了hh。对于本文中的dp算法的一些优化以及单调队列优化斜率优化会另外发文讨论。本文题源主要来自leetcode与acwing，我也是初步接触dp并对其感兴趣的小白，也是第一次写这种东西，如有不对的地方，还请大家包涵并指出～(有时候dp和f会写串qaq)

point2. 背包问题

背包问题作为很典型的dp，其书写模式比较固定，但是有些题需要你分析出来他是这个问题。这里将背包问题分为一维和二维，题型的话有01背包，完全背包，多重背包，分组背包等以及它们的空间优化思路，参考了yxc大佬的解法，在此表达感谢～

1.01背包

顾名思义，就是每个物品只能用一次

来思考状态表示。我们用dp[i][j]来表示从前i个物品里选且体积为j的物品的最大价值，那么我们要求的答案就是dp[N][V]。再来考虑状态转移方程，我所理解的状态转移方程即是找前i - 1个与前i个的不同点，即从i - 1到i会发生什么事。我们可以从选不选第i个物品入手，将所有情况分为两类：选第i个物品与不选第i个物品（注意情况要做到不重不漏）

不选第i个物品：所能得到的最大价值即从前i - 1个里面选出体积为j的物品，即dp[i - 1][j]。

选第i个物品：所能得到的最大价值即前i - 1个物品需要给第i个留一下它的体积空间，然后再加上它的价值，即dp[i - 1][j - v[i]] + w[i]。

dp[i][j]即是在里面取最大值。

参考代码如下(f写顺手了，请自动过滤成dp hh)

vector<vector<int>> dp(n + 1, vector<int> (m + 1));

for (int i = 1; i <= n; i ++ )
{
    for (int j = 1; j <= m; j ++ )
    {
        if (j < v[i])
        f[i][j] = f[i - 1][j];
        else
        f[i][j] = max(f[i - 1][j], f[i - 1][j - v[i]);
    }
}

return f[n][m];

下面我们考虑空间优化，注意到我们的dp[i][j]可以求出任意状态关于i,j的最优解，但是我们仅需要关于j的最优解，故可以将二维数组优化成一维。但是简单地去掉一维然后照抄代码肯定是不够的，必须将j这一维度改为逆序。解释一下为什么需要改成逆序，首先需要明确每个物品只能用一次，故我们i只能由i - 1更新而来，否则会出现一个物品使用两次的情况。举个例子，假如我们换成一维且j是正序，而且第四个物品的体积为3，此时dp[4][7]可能会由dp[4][4]更新而来，这样第四个物品会重复使用，而我们逆序更新则不会出现这种情况（一定要与后面的完全背包的空间优化作区别），因为逆序物品的体积由大到小，选的物品个数却是不减的，故i必定只能由i - 1更新而来。参考代码如下：

vector<int> dp(m + 1)

for (int i = 1; i <= n; i ++ )
{
    for (int j = m; j >= v[i]; j -- )
    f[j] = max(f[j], f[j - v[i]] + w[i]);
}  

return f[m];

2.完全背包

和01背包同样的状态表示，区别在于每个物品的使用次数无限，下面来分析状态转移方程。

同样分为第i组物品选或者不选，但是第i种物品可以选任意多个，故f[i][j] = max(f[i - 1][j], f[i - 1][j - v[i]] + w[i], .... f[i - 1][j - k * v[i]] + k * w[i]) 但是这么做时间复杂度较高，考虑优化，如下图所示

这样改进后可以将复杂度降为O(n * m)。

与一维背包相同，我们考虑作空间优化，这里注意到每个物品是无限使用的，所以与01背包不同，我们的j需要正序更新，逆序更新会产生什么后果呢？就是把取法限制在了每种物品只能取一个，换句话说逆序的i只会被i - 1更新，而我们这里的i是可以由i更新的 ，所以会少一些情况。参考代码如下：

vector<int> dp(m + 1)

for (int t = 1; t <= n; t ++ )
{
    for (int j = v[t]; j <= m; j ++ )
    dp[j] = max(dp[j], dp[j - v[t]] + w[t]);
}

return dp[m];

3.多重背包及其优化

多重背包用暴力一点的做法就是枚举第i种物品所能取的个数，然后取一个最大值。空间优化可能有点困难，因为第i组物品可能有一个也可能有多个，所以我们先不考虑空间优化，参考