状态压缩DP是动态规划更复杂的问题,通常使用动态规划来解决整数类型的问题,比如0-1背包这些典型的动态规划例子。但是,也可以对整数以外的更复杂的类型采用动态规划,而这类记录不同时刻状态的一种动态规划就是状态压缩动态规划。
顾名思义,状态压缩DP,我们的记录不再代表一个整数,而表示了某种状态,通常采用二进制形式表达。
旅行商问题(TSP, Traveling Salesman Problem):
给定一个n个顶点组成的带权有向图的距离矩阵d(i, j)。要求从顶点0出发,经过每一个顶点恰好一次后再回到0点。问所经过的边的总权重的最小值是多少?
旅行商问题就是一种典型,传统暴力搜索几乎不可能高效地解决这个问题,因为可能的路线数非常多。因此对这个问题,可以尝试用DP来解决。
(1) 首先定义一下dp数组:
使用变量S来记录当前访问过站点的集合,因为最多有15个站点,所以使用最多15位的二进制表示已经访问过的点的集合,这可以用一个int类型来表示,比如 S=22=010110B表示已经访问过1、2、4号点,初始位置的0站点不计入S,末态的0站点计入S,所以初始状态是S=0而不是S=1,最终状态时S二进制表示为全1
所以可以写出dp数组为:
dp[S][v] :已经访问过的点的集合是S,当前位置在v点,而且必有。其值代表从v出发访问完剩下的所有顶点,最后回到0点的权值和,已经访问过的权值不会计入。
(2)其次找到它的状态转移方程:
显然易见,当处于最终状态(所有点都被访问,并且当前在0点,既S为全1,v=0)时,有
dp[S'][0]=0; (S'为全1)
现在,我们讨论一下中间的各个状态。并且假设n=5。
对于上图的状态,S包括了点1 2,v=2,显然,对于这种状态 dp[S][2] ,下一步有两种走法,第一种走到3,第二种走到4,现在分析下一步的情况:
第一种:下一步到点3,既 dp[S|1<<3][3]
第二种:下一步到点4,既 dp[S|1<<4][4]
我们知道了对于第一幅图的后一步情况,那么对于第一幅图所示的 dp[S][2] ,他应该是两种情况的最小者
既 dp[S][2] = min { dp[S|1>>3][3] + d[2][3] , dp[S|1>>4][4] + d[2][4] }
将其改变一下,改成适应所有情况的
既
所以,状态转移方程为:
(S'为全1)
只需照着这个递推式计算就可以,只不过S代表集合,需要特殊处理。
#include<iostream>
#include<cstring>
#define MAX_N 15
#define INF 30000
using namespace std;
int n, e;
int d[20][20];
int dp[1<<MAX_N][MAX_N];
int solve(int S, int v)
{
if (dp[S][v]!=-1)
return dp[S][v];
if (S==(1<<n)-1&&v==0)
return dp[S][v]=0;
int i, ans=INF;
for (i=0; i<n; i++)
{
if (!(S&(1<<i)) && d[v][i]!=-1)
{
int res=solve(S|1<<i, i)+d[v][i];
ans=ans>res?res:ans;
}
}
return dp[S][v]=ans;
}
int main()
{
cin>>n>>e;
int i;
memset(d, -1, sizeof(d));
memset(dp, -1, sizeof(dp));
for (i=0; i<e; i++)
{
int a, b, c;
cin>>a>>b>>c;
d[a][b]=c;
}
int ans=solve(0, 0);
cout<<(ans==INF?-1:ans)<<endl;
return 0;
}
DP有点 DFS+剪枝 的影子