状态压缩DP

       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