算法-动态规划

原理

性质

能采用动态规划求解的问题一般要具有3个性质：

• 有重叠子问题：即子问题之间不是独立的，一个子问题在下一阶段决策中可能被多次使用到。
• 最优性原理：即最优子结构：满足两个条件，一.原问题的解可由子问题的最优解构成。
• 无后效性，某个阶段状态一旦确定，就不受这个状态以后决策的影响。

通常情况下，能用动态规划解决的问题也能通过递归解决。动态规划实际解决的是效率问题——避免重复计算子问题。达到这一目的同样可以通过备忘录方法来实现。所以可以得到这三种思路的递进关系：递归 $⟶$ 备忘录 $⟶$ 动态规划

关键

子问题

**子问题不一定是大问题的缩小版，关键点在于满足最优子结构。**例如：最大连续子序列问题

原问题f(n)是指在n个整数a[1…n]的序列中求出最大连续子序列的和（子序列可为空）。
子问题g(i)定义为，a[1…i]的最大右端子序列a[j…i]的和。
子问题有如下状态转移方程
$$g(0)=0$$$$g(i)=max(g(i-1)+a[i],a[i])$$
且，$f(n)=max(g(1),g(2)...,g(n))$, 所以父问题可以通过求解子问题得出，父问题的最优解所包含的子问题也是最优的。

动态规划数组

动态规划数组的目的：

• 保存子问题的解，以求解父问题
• 某些情况下用于回溯寻找具体方案

如下面LCS问题的动态规划数组：

滚动数组
只保存相关的子问题的数据，以此来压缩空间。

状态转移方程

也就是大问题如何转移成小问题的。
如求最大公共子序列LCS

有两个序列X[0…n-1]，Y[0…m-1]， 用dp[i][j]表示X[0…i0-1], Y[0…j-1]的最大公共子序列长度。有：
$$dp[i][j]=0i=0||j=0$$$$dp[i][j]=dp[i-1][j-1]+1a[i-1]=b[j-1]$$ d p [ i ] [ j ] = m a x ( d p [ i ] [ j − 1 ] , d p [ i − 1 ] [ j ]       a [ i − 1 ] ≠ b