动态规划

动态规划专题

标签： ACM

---

---

动态规划思想

• 动态规划问题是指可以将一个复杂的问题分解为若干个子问题，而子问题又可以分解成更子的问题（就像分割一样），通过最小的子问题的最优解一步一步往上，进而得到原问题的最优解
• 和分治的区别：两者都是分解得到子问题，通过子问题的解得到原问题的解，但是分治的子问题之间是互相不干扰的（像归并排序，左右序列在人脑中是可以同时进行的），而动态规划的子问题可能是相互依赖的（可能会相互用到）

最大连续子序列和

• 要求：严格连续，即下标不能像2,4,5…这样，而必须2,3,4，即2,4之间不能空一个a[3]
• 思想:枚举右端点，对于每一个数，要么自己一个人组队，要么和前一个数组队，而前一个数也是同样可以自己组队或者和前一个数组队。故解法为：确定边界+状态转移方程递推： d p [ i ] = m a x { a [ i ] , d p [ i − 1 ] + a [ i ] } dp[i]=max\{a[i],dp[i-1]+a[i]\} dp[i]=max{a[i],dp[i−1]+a[i]}因当前状态用到前一个状态的数据，故从左向右递推。

最长不下降子序列（LIS）

• 要求：下标可以不连续
• 思想：同"最大连续子序列和"枚举右端点，因下标可以不连续
  。故解法：确认边界+状态方程递推 d p [ i ] = m a x { 1 , d p [ j ] + 1 } , ( j = 0 , 1 , 2... i − 1 & & a [ i ] > a [ j ] ) dp[i]=max\{1,dp[j]+1\},(j=0,1,2...i-1\&\&a[i]>a[j]) dp[i]=max{1,dp[j]+1},(j=0,1,2...i−1&&a[i]>a[j])

最长公共子序列（LCS）

• 要求：两个string a,b，下标可以不连续
• 思想：同样枚举两个右端点 i , j,dp[i][j]表示这两个端点之前的最长公共子序列 ,对于任意的i，j,

$1.当a[i]=b[j]时，dp[i][j]=dp[i-1][j-1]+1$

$2.当a[i]!=b[j]$于时，区间扩大，但是公共序列没有增大，继承 d p [ i ] [ j ] = m a x { d p [ i − 1 ] [ j ] , d p [ i ] [ j − 1 ] } dp[i][j]=max\{dp[i-1][j],dp[i][j-1]\} dp[i][j]=max{dp[i−1][j],dp[i][j−1]}

当前状态用到左边一个状态和上面一个状态，故递推顺序为从上往下，从左往右，即大循环（i=0,n),循环里面为（j=0,n)

最长回文子串

• 要求：一个字符串string a;
• 思路：i,j为左右端点，dp[i][j]=1表示这个区间为回文串，遍历两个端点i,j;
  $当a[i]=b[j]时，dp[i][j]=dp[i+1][j-1]$
  $当a[i]!=b[j]时，dp[i][j]=0$
  
  能确定的边界是”"对角线dp[i][i]和dp[i][i+1],没有那种i,j遍历方式能实现状态转移。考虑到dp[i][j]和dp[i+1][j-1]之间有长度的差异，故使用遍历左端点+长度的方式

for(int i=0;i<s.size();i++){//预处理len=1,2
    dp[i][i]=1;
    if(!i){
    	if(s[i]==s[i-1]){
	        dp[i-1][i]=1;
    	    ans=2;
    	}
    }
}
for(int len=3;len<=s.size();len++){
    for(int i=0;i+len-1<s.size();i++){
        int j=i+len-1;//右端点
        if(s[i]==s[j]&&dp[i+1][j-1]){
            dp[i][j]=1;
            ans=len;
        }
    }
}
cout<<ans;

---

背包专题

01背包

• 要求：n件物品，重w[i],价值v[i],背包最大承重v
• 思路：很简单，一件物品可以拿也可以不拿，dp[i][j]表示前i件物品，在背包承重为j时能取得的最大值。可以转化为一维dp[j],遍历顺序同样画图可得出。

---

完全背包

• 分析同01背包和上面四种模型