程序设计训练（四）

在假期结束之前，总结一下假期的收获——动态规划。
其中会简单和分治法进行比较。

动态规划

让我们先看一下百度百科上对动态规划的定义：

动态规划是运筹学的一个分支，是求解决策过程最优化的数学方法，它把多阶段过程转化为一系列单阶段问题，利用各阶段之间的关系，逐个求解。

按照我的理解，也就是把大事化小，小事化无，把问题划分成我们方便处理的状态，也就是dp问题。
dp中的几个常见概念：

• 阶段。把问题分成几个相互联系的有顺序的几个环节。
• 状态。某一阶段的出发位置。通常一个阶段包含若干状态。
• 决策。从某阶段的一个状态演变到下一个状态的选择。
• 策略。有起点到终点的全过程中，由每个决策组成的决策序列。
• 状态转移方程。由i阶段到i+1阶段状态的演变规律。

dp适用的基本条件：

• 具有相同子问题。一个问题能够分解出几个子问题，而这些子问题也能分解为新的相同的子问题，即一个问题能被分解为A、B、C,那么A、B、C分别也能分解为A、B、C，却不能分解为D、E、F。
• 满足最优子结构。问题的最优解包含着它的子问题的最优解。即不管前面的策略如何，此后的决策必须是基于当前状态（由上一次决策产生）的最优决策。
• 满足无后效性。“过去的步骤只能通过当前状态影响未来的发展，当前的状态是历史的总结”，也就是当前问题的决策不能对后来问题的决策产生影响，状态出现在策略任何一个位置，它的地位相同，都可实施同样策略。

解决dp问题的核心：构造递推式，也可以说是状态转移方程，如F(n) = F(n-1) + F(n-2)。
个人感觉这是整个dp问题最难的地方。
解决dp问题的核心方法：自底向上（递推）或者自顶向下（记忆化搜索）。
为了减少灌水，这里贴两篇文章，一篇很好的说明了解决dp问题的核心方法，一篇形象的介绍了dp，良心推荐。

和分治法的比较

分治，“分而治之”，也就是把一个难以直接解决的大问题，分割成一些规模比较小的相同的小问题，最后合并结果，划分为分解—>解决—>合并三个步骤。

分治法是将问题划分成一些独立的子问题，递归地求解各子问题，然后合并子问题的解而得到原问题的解。而动态规划适用于子问题独立且重叠的情况，也就是各子问题包含公共的子 子问题。

具体实现

常用解决dp问题步骤：

1. 找到一个原问题，并分析它的子问题。量化问题；
2. 根据原问题和子问题确定状态。可以根据问题中的变量来判断有几个状态；
3. 确定状态转移方程。额外注意一下临界的特殊条件；
4. 确定编程实现方式。看是选择从上到下还是从下到上。

以最常见的背包问题为例。

有N件物品和一个容量为V的背包。第i件物品的体积是v[i]，价值是w[i]。求解将哪些物品装入背包可使价值总和最大。

分析问题可以得出，其中的变量是物品编号i和背包剩余容量j（常量是物品的价值w和总容量V）；
确定状态f[i][j]，表示前i件物品放入一个容量为j的背包可以获得的最大价值 ;
确定状态转移方程，由i-1的结果判断放不放i，放的话f[i][j] = f[i-1][j-v[i]]+w[i],不放的话f[i][j] = f[i-1][j]，最后可以得出f[i][j] = max{f[i-1][j], f[i-1][j – v[i]] +w[i]}；
最后编程实现：

#include<iostream>
#include<algorithm>

#define maxSize 10001

using namespace std;

int main(){
	int n,v,i,j;
	int vol[maxSize],val[maxSize],f[maxSize];

	memset(f,0,sizeof(f));
	cin>>n>>v;
	for(i = 0;i < n;i++){
		cin>>vol[i]>>val[i];
	}

	for(i = 0;i < n;i++){
		for(j = v;j >= vol[i];j--){
			if(f[j-vol[i]]+val[i] > f[j]){
				f[j] = f[j-vol[i]] + val[i];
			}
		}
	}

	cout<<f[v]<<endl;

	//system("pause");
	return 0;
}

时间复杂度O(VN)，空间复杂度O(VN) 。
更多解看这里，有问题会再修改的。