DP问题
打卡第一天！
1.数字三角形模型（动态规划）
方法：从集合角度来考虑DP问题——y氏DP法
状态表示：集合（根据题目自己思考）and属性（数量/Max/Min）
状态计算：集合的划分
重要的划分依据：“最后”
重要的划分原则：1、不重复 2、不漏
摘花生问题
最低通行费问题
要注意边界的分类讨论和求最小值时，状态表示为正无穷。
方格取数问题
用三维的数组表示，特殊状态k为步数，步数相同时，如果两条路线的横坐标+纵坐标相等，则两条路径的重合。k = i + j ，横纵坐标之和。
传纸条问题
右下角往左上角传可以看作左上角往右下角传，转化为方格取数问题。
总结
题谱：
90%的dp问题都能转化为最短路问题，拓扑图可以转化为dp问题。记住模型，到相似题目就会有更清晰的思路，不会到无从下手。
2、最长上升子序列模型（LIS）
打卡第二天！
因为是一维的数组，所以状态表示只需要一维。
因为状态表示为以倒数第一个数结尾，所以考虑状态计算的时候，从倒数第二个数考虑（空的情况），是序列里只有a[i]的情况。
都有共同元素a[i]，以a[k]结尾的最长上升子序列正好是f(k)，所以等于f(k) + 1，且只有在a[k] < a[i]时成立。
最长上升子序列
基础的LIS模板。
怪盗基德滑翔翼
往左：最长上升子序列。往右：最长下降子序列（逆向最长上升）
登山
状态表示时从顶点考虑，a[k]被算了两次，所以重复了，-1。
合唱队形
登山问题的对偶问题。最少多少出列就是最多留下多少的意思，用总数减去结果即可。
友好城市
控制住自变量，去思考因变量，散列，转化为一维问题。把岸两边的数都拍好序，确保连接的航道是友好航道，有一个不是上升的就会相交，因此是最长上升子序列模型。思考过程很难（能想到LIS，基本上就解决了）
最大上升子序列和
比较简单，就是模型求个数和变成求值的和
拦截导弹
DP + 贪心（基于基础课的最长上升子序列（II））
也可以用贪心 + 贪心来做，Lower_bond和upper_bond。
lower_bond : (begin , end , a ) 返回第一个大于等于a的数组的下标
upper_bond : (begin , end , a) 返回第一个大于a的数组的下标
lower_bond : (begin , end , a , greater <int> () ) 返回第一个小于等于a的数组的下标
upper_bond : (begin , end , a , greater<int> () ) 返回第一个小于a的数组的下标
include <iostream>
#include <algorithm>
using namespace std;
const int N = 1100;
int f[N] , g[N];
int main()
{
int len = 0 , cnt = 0;
int a;
while(cin >> a)
{
//pos1 表示以a结尾的最长下降子序列长度
int pos1 = upper_bound(f , f + len , a , greater<int> ()) - f;
if (pos1 == len) f[len ++] = a; //开创一套新的导弹系统
else f[pos1] = a; //使a成为当前导弹系统的最后一位
int pos2 = lower_bound(g , g + cnt , a) - g;
if (pos2 == cnt) g[cnt ++ ] = a;
else g[pos2] = a;
}
cout << len << endl << cnt << endl;
return 0;
}导弹的防御系统
在拦截导弹的基础上使用全局最小值DFS，实现两种不同的拦截导弹系统的部属。
最长公共上升子序列
最长公共子序列（4种）和最长上升子序列（从倒数第二个数考虑）结合考虑，用一个二维数组来表示集合。
根据状态计算可以用三重循环解决，复杂度是o(n^2)
最后一重循环也就是求1~j -1 的b序列的最长上升子序列。
但是最后一重循环在if的判断下，可以将b[j]替换成a[i]，也就是跟k没有关系，因此可以优化成二重循环。
总结
题谱：
最长上升子序列可以转化变种为最长下降子序列，也可以结合贪心进行优化，还可以与最长公共子序列进行结合，最终都落实到用集合的划分。
3、背包模型
背包问题划分依据：物品作为一维，体积作为一维，互相约束，表示成集合。
所有问题都是01背包问题的拓展
01背包问题：每个物品只有选择或者不选
完全背包问题：每个物品可以选0、1、2....无数个
如果是这样的划分暴力搜索的话，需要遍历s个物品，算法复杂度会来到o(n^3)，因此要考虑完全背包的优化。
另j = j - v，同时由于完全背包物体体积固定，所以s = j / v 是固定的（这点和多重背包不一样）。
可以惊奇的发现，上面的最大值就比下面的最大值多一个w。所以f[i , j]可以等于max(f[i - 1][j] , f[i][j - v] + w)，省去一维的循环！
优化过的完全背包模型：f[i][j] = max(f[i - 1][j] , f[i][j - v] + w)
还可以把空间优化成一维。
注意：所有的背包问题都是先循环物品，然后体积，最后决策。
多重背包问题：每个物品可以选si个
如果是单纯的让j = j -v ，会发现会多出一项，不好直接表示。
注意：多重背包种的s是最多选s个，而完全背包的s是无上限，直到最大体积的。
所以最后一项为（j - v - sv) -> j - (s + 1)v，是这么来的。
多重背包的优化：用单调队列维护滑动串口
r可以看作是拿完所有i物品后，剩下的体积余数，即r = j % v。
用g来维护总价值，q单调队列来维护体积。期间涉及滑动窗口的弹出，以及单调队列的去除冗余操作，代码不难，思路难想。
#include <iostream>
#include <cstring>
using namespace std;
int n , m;
const int N = 20100;
int g[N]; //g的滚动数组维护下标
int f[N];
int q[N]; //q的单调队列维护体积
int main()
{
cin >> n >> m;
for(int i = 0 ; i < n ; i ++ )
{
int v , w , s;
cin >> v >> w >> s;
memcpy (g , f , sizeof f);
for(int j = 0 ; j < v ; j ++ )
{
int hh = 0 , tt = -1;
for(int k = j ; k <= m ; k += v)
{
while(hh <= tt && q[hh] < k - s * v) hh ++; //维护滑动窗口
while(hh <= tt && g[q[tt]] - (q[tt] - j) / v * w <= g[k] - (k - j)/ v * w) tt --; // 去除冗余元素
q[++ tt] = k;
f[k] = g[q[hh]] + (k - q[hh]) / v * w; //增加的收益
}
}
}
cout << f[m] << endl;
return 0;
}多重背包问题III（滑动窗口优化）
背包背景的问题主要从三个状态考虑：物品，体积，价值，要从实际问题提取成这三个状态。
庆功会
多重背包问题，可用滑动窗口+滚动数组来优化实现
分组背包问题：把物品分为若干组，每组物品选择一个决策。
状态表示：前i组物品中选，总体积不超过j的方案。
状态计算：0表示不选第i组物品，结果为f[i - 1][j]
1表示选第i组物品中的第1个物品，结果为f[i -1][j - v[i , 1]] + w[i , 1]
2表示选第i组物品中的第2个物品，结果为f[i - 1][j - v[i , 2]] + w[i , 2]
....
s[i]表示选第i组物品中的第s[i]个物品，结果为f[i - 1][j - v[i , s[i]] + w[i , s[i]]
分组背包和其它背包的最本质区别：每组物品以及组内的每个物品对应的价值不是定值！！
机器分配
把公司每个子公司的编号分成若干组，分配总数看作总体积，子公司分配数看作体积，每个体积对应一个价值。
要注意输入矩阵时，j不能从0开始，要和循环组的编号一致，从1开始
由于要输出具体方案，因此不能优化成一维。每组对应的体积用way数组来记录。
金明的预算法案
把每个主件和附件的组合看成一个组。每个组合由多个选择，每个选择作为一种决策。
第一个比较麻烦的点是怎么把每个物品组存下来----- 可以用pair 和 vector来存储每个物品组。
注意选择主键的时候，要加上主键的价值。
二进制循环容器比较方便，记住二进制循环的两重循环＋判断。
采药
简单的01背包一维空间优化。
装箱问题
将体积看成价值，用01背包解决。
二维费用的背包问题
对于一个物品有两种对体积的限制，从状态表示的层面上修改状态计算。再用01背包的优化掉一维。
宠物小精灵之收服（二维费用）
注意：体力值的下限不能为0，所以从1开始，体积2的最大值要-1。
潜水员
由最大体积变为最小体积，最大值变为最小值，从状态表示的方面上修改状态计算。
第三种题型：体积至少是j
初始化：
f[0][0][0] = 1 表示一个物品都不选，氧气，氮气至少为0，是一种方案
f[0][j][k] = INF 表示一个物品都不选，氧气，氮气至少为j，k。这是不可能的，由于求的
是最小值，因此初始化为正无穷
注意：
j < vi 是，虽然j - v1 是负数，但是由于状态表示为至少，也就是方案下限存在，如果j-v1是负数的话，可以看作方案数为0，也就是另j = vi。跟其它题不同的就是不需要j >= vi，负数和不选气缸等价。
三种情况的体积限制
凡是从i - 1层转移来的， 都是从大到小循环；从i层转移的，都是从小到大循环。
数字组合
思考过程：
物品：每个数 ， 体积：Ai ， 价值：无，状态表示：所有从前i个物品中选择，总体积恰好是M的方案的总数count
不选物品的时候，体积为0，也是一种方案，因此在一维数组中，需要让f[0] = 1。
买书
完全背包模型，书的种类和价格是确定的，把n元钱看作体积，且体积恰好最大。
恰好的时候，注意初始状态的赋值：f[0] 也是一种方案，因此f[0] = 1
体积有四种，不需要输入，v[4]定义成全局变量
开心的金明
简单的01背包模型。
背包问题求具体方案
后面的方案由前面一层过来，因此记录状态的时候从后往前循环，注意状态计算中i - 1变成i + 1。
由于判断是否被选的时候，要求按照字典序最小输出，因此输出i的时候，从前往后循环。
货币系统
完全背包模型的求方案数。注意方案数很多，数组可能会越界，要用long long来存。
货币系统（NOIP2018)
b集合中的数都是从a集合中来的。可以看成完全背包求方案数。
把a集合中每个数据看成物品，金额看成体积，每个数据可以选无限次，因此可以看错是完全背包。
把ai看作是最大体积，a1~ai - 1 的体积恰好等于ai的方案总数。
后一个数一定是比前一个数大的，因此要先排序。
注意：排序如果是从1开始，sort(a , a + n + 1) 要多加个1
混合背包问题
取决于第i件物品的类型，因此只需要考虑第i件物品。如果只有一个，用01背包的状态方程；如果有限个，用多重背包的状态方程；如果是无限个，用完全背包的状态方程。
因为数据过大，所以使用多重背包模型II（二进制优化）
也可以使用多重背包模型III（滑动窗口优化），亲测更快。
有依赖的背包问题
有依赖的背包问题 = dfs + 邻接表存储树 + 完全背包模型
背包问题求方案数（最大价值）
与最大体积限制不同，限制的是最大价值。
收到最短路算法的启发，可以将状态计算成如下图所示。
需要统计出最大值，如果最大值与当前状态相等，总数加上方案数
能量石
神题，一定要吃透
先从贪心的角度来思考
如果从前往后来吃，得到的能量是Ei + Ei + 1 - Si*Li + 1
如果从后往前来吃，得到的能量是Ei + Ei + 1 - Si + 1 + Li
如果要让解最优，就让Si*Li + 1 < Si + 1 + Li 即可 ，得出Si/Li < Si + 1 / L i + 1
用背包考虑问题的时候，只需要从这个小集合考虑即可。小圈里一定包含最优解。
这里的体积表示时间
不超过和恰好是j都可以，恰好是j比较好做。
要排序的时候记得结构体下标从1开始，开头和结尾都要+1。
总结
要将题目转化为数量，体积，价值，体积可能有二维体积，价值可能没有；
不超过，恰好，至少，对应状态初始化注意区别
有些题目试着先用贪心的思想把集合范围缩小（复杂的问题精简化）
刷题图谱：
状态机模型
状态机的显著特点：不是表示一个点，而是表示一个过程。
大盗阿福
选了第i家店铺，那么第i - 1家就不能选。
这种思考方式有一个缺点：不知道i - 1是不是要选。如果第i - 1是最优解中的一组数据，那么选了i - 1之后，就不能选择i。这样只能从第i - 2层转移过来，效率不高，想要把状态从上一层转移过来。
因此，可以把每一层用状态表示出来。
每一种走法对应一种边的走法。
0表示不选择，1表示选择。
状态机中有入口的概念，要初始化边界。入口只能走到0。所以f[0][0] = 0 , f[0][1] = -INF。
股票买卖IV
f[i][j]表示第i天，正在进行第j次交易，从定义出发，一次买入卖出算作一次交易。（1 -> 0时，是卖出股票，表示第j次交易正在进行，是交易的一半，前面进行了j次交易，因此从j转移过来）（0 -> 1时，表示买入股票，表示第j次交易正在进行，前面进行了j - 1次交易，因此从j - 1转移过来）
f[i][j][0] = max(f[i - 1][j][0] ,f[i - 1][j][1] + w[i])
f[i][j][1] = max(f[i - 1][j][1] ,f[i - 1][j - 1][0] - w[i])
f[i][j][2] 表示第i天，正在进行第j次交易，有货为状态1，无货为状态0。一次买入卖出算做一次交易，最终一定是完整的交易，即停在无货状态0
股票买卖V
与股票IV的区别是，需要冷却一天，因此多了一个状态，无货的第一天是不能再买入的，只能转为无货的第>=2天的状态。
入口是最灵活的最后的状态，出口可能有两种情况。
由于没有限制交易的次数，因此不需要j这一维。
设计密码
KMP算法求出来的是所有包含的子串。不包含的子串，一定是到不了m这一跳的，即只需要求出j小于m中的kmp对应到不包含。
这本身是一个状态机模型，状态表示第一维是长度，第二维是在状态机上走到了哪个位置，这里是在枚举在位置j如果沿着k这条边走到u时，对f[i + 1, u]的方案数的贡献
438
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
