用树解释动态规划

用树解释动态规划

先看题leetcode

先想想动态规划怎么解：

以上就是一个简单的动态规划思路。

朴素思想

枚举法

• 查看所有的子数组
• 判断是不是上升的
• 找到最长的

那么怎么枚举呢？

• DFS深搜
• BFS广搜

先画出能够枚举的树
以数据nums = [10,2,3]为例子

• 每一步都有动作（Action）： 加入num[i]
• 每个动作伴随着决策，是否留下num[i]
• 最后能够枚举出所有情况
• 每个节点的重要属性只有两个，用什么结尾， 长度多少

如何进行优化

一颗树如何进行优化？

• 剪枝， 剪掉次优的情况
• 备忘， 复用相同的情况

这里就需要策略：
朴素的思考哪些节点是无意义的
或者思考哪些节点可以变成一族，取最优。

按剪枝思路来算
那么有两个要剪枝的情况

• 同样长度的，选择结尾值更小的
• 同样结尾的，选择长度更长的
• 总之，长度越长越好， 结尾越小越好，那么可以新建一个函数F（X）， 输入长度，结尾，输出他们俩的和，比较排序？这个不行

总之如果只考虑1，和2两点， 那么可以用hash实现快速剪枝，筛选。
如果要全部考虑，那么需要用一些复杂数据结构，优先级队列，可拓展线段树之类的。

这里不具体展开。

经过剪枝

不难看出，效果已经大大的有了，哟西！good！excelent！

那么dp的思路放到树中是什么样子呢

可以看出复杂度在n**2

不难看出，模型模型一致时，dp可以简单的用树来表示。

总结

以上只是一个例子，实际操作可能会遇到种种困难。不过只要认真分析，基本都没什么问题。

那么总结一下，dp一般怎么搞？

dp的关键时将问题的模型变得具有最优子结构：
当前问题的最优解，包含子子问题的最优解。

树一般怎么搞

枚举！枚举！枚举！枚举！枚举！枚举！

当dp与树用同一套思路时

dp是：

可以看到，很多子情况被复用了，充分体现了最优子结构。
看上去是图了，但是关系并不复杂，有着明显的层级关系。
也许在部分情况下有着更加复杂的拓补结构

更通常的来说

• 能够从若干个子情况中选出最优的那几个，其他的全部剪掉。

如何统一二者

dp之所以很多时候和树不一样，关键是，几大要素没掌握好。
二者共同具有的要素

• 节点的性质，也就是状态
• 节点的粒度，节点代表什么，是当前元素最优，还是当前组最优
• 活动，活动代表着产生分支
• 决策，如何选出最优，进行剪枝

综上所述，可以在构建树时，尽量考虑最优子结构性质，这样就能较好的把握题目。