关于DP(抽象为背包问题的DP）-CSDN博客

本文链接：https://blog.csdn.net/m0_72993980/article/details/129959210

1.哪些可以抽象为背包类的DP：

一般是涉及到有限制的选择问题，可以用背包问题来做

2.DP的复杂度计算：一般=状态数量 x 转移的计算量

3.关于DP的优化，分为时间和空间两个方面上（有时候只能优化空间，有时候时间和空间都可以优化）

优化时间：

一般是优化第三重循环：循环决策（子集），然后有一些巧妙的方法可以去掉第三重循环：循环决策（这个关于第几重循环后面会补充，先完整地看下去）

比如：


推导出的状态计算公式：

f[i][j] = f[i-1][j] + f[i-1][j-v] + f[i-1][j-2v] + f[i-1][j-3v]+.....


试着写出f[i][j-v]  ,就是等量代换，把第二维的j换成j-v

f[i][j-v] = f[i-1][j-v] + f[i-1][j-2v] + f[i-1][j-3v]+....



此时我们发现f[i][j-v] 与 f[i][j] 除了第一个，其余后面的一样，这样我们可以优化f[i][j]的计算

此时：
f[i][j] = f[i-1][j] + f[i][j-v]



优化后，把O(M)的计算量变成了O(1) , 也就是去掉了第三重循环:循环决策
这样就优化了时间

优化空间：

一般是通过代码变形来优化（代码本身的逻辑），而不是通过题目本身来优化

先写出朴素写法，然后判断是否可以去掉第一维（代码逻辑要一致），只保留第二维来做到优化空间

这个时候有个需要注意的点是：去掉第一维后，要判断第二重循环应从小到大还是从大到小

通俗地讲：朴素写法状态计算时

若要用到上一层的状态，第二层循环就从大到小枚举

若用的是本层，第二层循环就从小到大枚举

比如01背包问题的模板：

先写出朴素做法，再通过代码等价变换来优化空间

for(int i=1;i<=n;i++)
        for(int j=0;j<=m;j++)
        {
            f[i][j]=f[i-1][j];
            if(j>=v[i]) f[i][j]=max(f[i][j],f[i-1][j-v[i]]+w[i]);
        }
........................................................................................

计算时第i层f[i][j]时，发现要用到i-1层的f[i-1][....]

所以应该从大到小枚举第二重循环

优化后为：

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]);