动态规划三：常见状态与常见递推关系式

 

---

常见状态

坐标型

• dp[i]：从起点到坐标 i 的最值/方案数/可行性
• dp[i][j]：从起点到坐标 i, j 的最值/方案数/可行性
   

---

前缀划分型

• dp[i]：前 i 个字符的最值/方案数/可行性
• dp[i][j]：前 i 个字符划分为 j 个部分的最值/方案数/可行性
   

---

前缀匹配型

• dp[i][j]：第一个字符串的前 i 个字符匹配上第二个字符串的前 j 个字符的最值/方案数/可行性
   

---

区间型

• dp[i][j]：区间 i-j 的最值/方案数/可行性
   

---

背包型

• dp[i][j]：前 i 个物品里选出一些物品组成和为 j 的大小的最值/方案数/可行性
   

---

常见递推关系式

动态规划虽然飘逸，但还是有规律可循，前人还是总结了好几种常见的递推关系模式。

动态规划算法有三个要素：

• 所有不同的子问题所组成的表（它包含的问题数目称为问题的大小，即 size）；
• 问题解决的依赖关系可以看成是一个图；
• 填充子问题的顺序（实际上就是（2）所得到的图的一个拓扑排序）。

如果子问题的数目为 $\theta (n^t)$，且每个子问题需要依赖于 $\theta (n^e)$ 个其他子问题，则称这个问题为 $\frac{tD}{eD}$ 问题。

总结起来可得到四种典型的动态规划关系递推方程：$\frac{1D}{1D}$、$\frac{2D}{0D}$、$\frac{2D}{1D}$、$\frac{2D}{2D}$。
 

---

$\frac{1D}{1D}$

定义一个实函数 $w(i,j)(1\le i<j\le n)$，已知 $D[0]$，状态转移方程：

• E [ j ] = o p t 0 ≤ i < j { D [ i ] + w ( i , j ) } , i ≤ j ≤ n E[j]=\underset {0\leq i<j}{opt} \{D[i]+w(i,j)\},i\leq j\leq n E[j]=0≤i<jopt​{D[i]+w(i,j)},i≤j≤n

P.S. opt 是最优关系，可能是 max，也可能是 min。

其中，$D[i]$ 可以根据 $E[i]$ 在常数时间内计算出来。

《算法导论》里的切分钢条，锯木头问题，最长上升子序列都是这种结构。
 

---

$\frac{2D}{0D}$

已知 $D[i,0]$ 和 $D[0,j](0\le i,j\le n)$，状态转移方程为：

• E [ i , j ] = o p t { D [ i − 1 , j ] + x i ， D [ i , j − 1 ] + y i ,   D [ i − 1 , j − 1 ] + z i j } E[i,j]=opt\{D[i-1,j]+x_{i}，D[i,j-1]+y_{i}, ~D[i-1,j-1]+z_{ij}\} E[i,j]=opt{D[i−1,j]+xi​，D[i,j−1]+yi​, D[i−1,j−1]+zij​}

其中，$x_i,y_i,z_i$ 都是可以在常数时间内算出来的。

线性DP（如最长公共子序列）、串DP 问题，多是这种结构，具体的理解，您要在行动中来思考。
 

---

$\frac{2D}{1D}$

定义实函数 $w(i,j)(0\le i<j\le n)$，已知 $d[i,j]=0(1\le i\le n)$，状态转移方程为：

• D [ i , j ] = w ( i , j ) + o p t i ≤ k ≤ j { D [ i , k − 1 ] + D [ k , j ] } ( 1 ≤ i < j ≤ n ) D[i,j]=w(i,j)+\underset {i\leq k \leq j}{opt}\{D[i,k-1]+D[k,j]\}(1\leq i< j \leq n) D[i,j]=w(i,j)+i≤k≤jopt​{D[i,k−1]+D[k,j]}(1≤i<j≤n)

区间动态规划模型多是这种结构。

区间动态规划，顾名思义，就是求解一个区间内的某种最优解，这种题目在分解子问题的时候，通常考虑子问题就是其中任意一个子区间，而规划的内容就是如何分解子区间。无论题目内容怎样，算法的实现模式基本上就是一个如下所示的三重循环。

for(区间长度 size：从最小可分区间开始到最大区间长度)
{
    for(小区间起始位置 i：从第一个位置开始到区间长度 size 所决定的结束位置)
    {
        j = i + szie - 1; // j 定义区间结束位置，具体计算方法因问题而异
        for(区间分割点位置 k：从 i 开始到 j 结束) // 遍历所有区间 [i,j] 内的位置，将其分割为两个小区间
        {
            f[i][j] = max(f[i][j],f[i][k]+f[k][j] + 某种最优值计算方法)
            或
            f[i][j] = min(f[i][j],f[i][k]+f[k][j] + 某种开销计算方法)
        }
    }
}

第一重循环枚举区间的大小，一般是从最小可分解区间开始，直到最大区间长度。

为什么枚举区间长度要从“最小可分解区间”开始呢？

因为区间长度太小的话，不满足题目的分解区间要求，后续的处理也没有意义。具体的“最小可分解区间”的值，因题而异，比如三角形组合问题，最小区间长度至少是 3 条边才行，否则连一个三角形都凑不齐，后续还怎么处理？对于经典的“石子合并”问题，区间长度就是石子的堆数，要能够合并，至少要 2 堆石子吧，所以石子堆数就从 2 开始枚举。

实现模式的第二重循环是对区间内的起始位置开始枚举。

• 第一重循环给定了区间的大小（范围）；

• 第二重循环就尝试从区间的不同位置开始定义子区间。

  举个简单的例子，假设第一重循环给定了区间长度是 5，则第二重循环要处理的最大区间就是 [1,2,3,4,5]，第二重循环的作用就是分别尝试定义子区间，共可得到 5 个子区间： [1,2,3,4,5]、[2,3,4,5]、[3,4,5]、[4,5] 和 [5]；

• 第三重循环就是尝试对每个子区间分解，假设前两重循环选择了第二步分解的 5 个子区间中的第 2 个子区间，也就是 [2,3,4,5]，则 k 的值就是从 2 到 5，拆分子区间，共得到三组拆分结果：[2] 和 [3,4,5]、[2,3] 和 [4,5]、[2,3,4] 和 [5]。对于每一组拆分结果，计算状态值：

state1 = f[2][2] + f[3][5] + 根据当前 k=2 的分解得到的某种最优值（或开销值） 
state2 = f[2][3] + f[4][5] + 根据当前 k=3 的分解得到的某种最优值（或开销值）
state3 = f[2][4] + f[5][5] + 根据当前 k=4 的分解得到的某种最优值（或开销值）

而后将三个 state 分别与 $f[2][5]$ 比较，根据题目的要求，用最优值更新 $f[2][5]$ 的值。

当全部三重循环都完成后，题目要求的解就在 $f[1][n]$ 中。

这就是区间动态规划的解题思路和实现模板，具体的理解，您要在行动中来思考。
 

---

$\frac{2D}{2D}$

定义实函数 $w(i,j)(0\le i<j\le n)$，已知 $D[i,0]$ 和 $D[0,j](0\le i,j\le n)$，状态转移方程为：

• E [ i , j ] = o p t 0 ≤ i ′ < i ,   0 ≤ j ′ < j { D [ i ′ , j ′ ] + w ( i ′ + j ′ , i + j ) }   1 ≤ i , j ≤ n E[i,j]=\underset {0 \leq i'<i,~0 \leq j'<j}{opt}\{D[i',j']+w(i'+j',i+j)\}~1\leq i,j\leq n E[i,j]=0≤i′<i, 0≤j′<jopt​{D[i′,j′]+w(i′+j′,i+j)} 1≤i,j≤n

其中，$D[i,j]$ 可以根据 $E[i,j]$ 在常数时间内计算出来，具体的理解，您要在行动中来思考。

对于以上四种典型方程，如果方程是 $\frac{tD}{eD}$ 类型，可以套用上述递推关系式得到一个时间复杂度为 $\theta (n^{t+e})$、空间复杂度 $\theta (n^t)$ 的算法。