算法-3B

算法-3B

这章的重点在于动态规划。而动态规划和分而治之的很大区别就在于，分而治之我们是不想分出来的子问题有联系的，但如果实在子问题之间具有联系，我们一般用动态规划来解决。当然动态规划也不是万能的。动态规划的两个好处1，可以解决很多实际问题，所以学起来会很有成就感。2，动态规划的模板是有套路的，所以在竞赛中出现的比例远远高于它实际在算法中占的比例。

遇见了同期算法训练营的师兄弟
这部分可参考https://blog.csdn.net/weixin_43829465/article/details/97810853

动态规划-1

谈到动态规划，就不得不谈到斐波拉比数列，因为当我们不使用记忆化（存储中间每一个结果）时，它的复杂度是指数增长，也就是我们常说会爆炸的。邓老师做了一个演示，大概在计算到四十几时，我们的每个结果的计算将慢到肉眼可见，再往后甚至慢的让人烦躁。如图所示斐波拉比数列的计算是第i项为i-1项和i-2项的和。

int fib(n){ return (2>n) ? n : fib(n-1)+fin(n-2) ; }

这样的递归会造成大量的重复，邓老师甚至给出了复杂度，是指数的，1.618的n次方，而计算机一秒大概算10的9次方，也就是2的30次方，也就是1.618的43次方左右，这也说明了为什么我们算到四十几项时，后一项的计算将慢到肉眼可见。

但如果对斐波拉比数列进行记忆化，记录它的每一个从底往上计算出来的值，那我们的效率将大大提高，时间复杂度大大降低，这就是我们动态规划的思想。

如图所示，对于计算第六项，我们灰色的部分就是我们免去的重复操作，如果这个项数再大一些，我们省去的重复操作将是一个惊人的部分。

幂法也是动态规划的经典题。如果要求一个数的很大次幂，光一项一项去乘，那是很慢效率很低的，我们可以先得到a的1次方，通过这个再得到a的10次方，再通过a的10次方得到a的100次方，以此类推，就不用再做很多重复操作了。

计算a^ n 所需要复杂度不用幂法的话是O(n)， 用幂法（动态规划）的话则是DP O（r）， r=logn为分解形成的位数。

动态规划-2

第二小节课，我们讲到了最短向上路径问题，如图所示，我们需要找到到达顶端而所耗路程（权重）最小的路。

如果从上往下分析，每个k层的点，可以由三个k-1层的点来到达，那么到底由哪个到达呢？我们并不知道，需要做判断，那么再往下分析（递归）每个k-1层的点又可以由3个k-2层的点到达，那么这种递增是指数的，3的n次方，指数无疑是可怕的，k-2到k-1层再到k层的路径里，存在着大量的重复，如图下方左边，这样是不可取的。

那么如果运用动态规划会怎样呢？我们来看看图下方的右边，不过我一般喜欢递推的话是以k层为中心，也就是图下方的左边，把箭头倒过来罢了，这样理解完全没有问题，只是把谁看作中心罢了，邓老师的右边是把k-1看作中心。动态规划的话，从底向上，我们的k层只要考虑可以经过它的三个点，哪个最小就可以，而最小是很容易在递推的过程中得到的，因为我们的最底层是知道的，这样从最底层确定倒数第二层，再依次往上，这样的作法明确了每一步的操作（与上面的并不知道相对应），不会产生大量的重复，可谓神奇。

再来一个问题就是曼哈顿街区了，我们从左上角出发，要到达右下角，路上每个节点有对应权重的红包，怎样才能使我们最终拿到的红包最大呢？因为不能因为红包而绕路，所以我们每一步只能向右或向下走。

看到这里聪明的同学会发现，这和我们的上一个最短向上路径特别相像。只不过这里的每一个节点只能从左节点或者上节点到达。如果我们从最高层右下角向左上方分析，我们会一样每一步不确定来自哪个节点，而产生大量的重复。如果使用动态规划就从底层开始明确了每一步的操作。（如果想更好的理解DP，可以看左边的图，但把箭头倒过来）

动态规划-3

第三节则讲到了最长公共子序列。在两个字符串中，找到他们的最长公共子序列，当然有可能最长公共子序列并不是唯一的。

那我们从末端开始分析，有两种情况，一种是末尾元素相等，如果相等的话则切掉末尾部分，因为已经相等了，记录下来就好，并不会影响两个前面的新串的比较。这里是减而治之的思想。

如果不同的话，则我们要用到分而治之的思想了。不同的话我们做两个操作，要么把第一个字符串往后移然后再做新比较。或者把第二个字符串往后移再做新的比较。这里面临两种情况的选择。

如图所示，每一步可以有三个去向。但这样的形式无疑会和我们之前的一样，会产生大量的重复。（动态规划，我们主要以已知推位置，由确定的推不确定的，因为确定的会选择其中的某一个，就会断掉其它路线，而避免产生重复，这里的起始端已经有我们确定的了，所以往后走的每一步它会考虑最好的而断掉其它路线，如下图）

第一行第一列人为已经给定了，全是0。

像这样从起始端开始递推，每一步我们会选择三个确定来源里面的最好的来源。

再来看01背包问题，也是动态规划里面的老经典了。我们有vi和wi，要使vi的和最大而wi的和小于给定的W。这就是著名的背包问题。

这是背包问题的演示图。

与上面讲到的其它类型题目不一样的一点是，我们的节点现在有两个来源，一个是上方，还有一个是左上方但横坐标不定，是W-wi，具体值由wi决定左上方多少。

哪怕我们用了动态规划，从起始到末尾，从底层到高层，从确定到不确定，但是由于我们的w可能是小数，又可能是一个很大的值，所以我们的算法还是可能会出现爆炸，主要是因为w可能是小数。

再来看一个传递闭包的问题。我们已知哪个点可以直接到达哪个点，但我们想知道哪个点还可以间接的到达哪个点，也就是图中红色线的部分。但其实算法很简单，如右图，只要k能到v点，而u能到k点，所以u一定能到v点，所以本来就是绿色的两个点和我们的（k，k）点确定的矩形，那第四个点就是我们新的红点，我们也可以标为1。

如图所示，增加红点。

两个已有的绿点，确定新的红点。

每次传递，都要通过（k，k）点和两个绿点确定的矩形，剩下的第四个点就是我们新的红点，我们的传递必须通过对角线传递。

这是我们的代码，三层循环就可以决定。45行和67行是一样的作用，不过67行更取巧，在64位的机器上可以快速跑出，不过不用也无伤大雅。

而看到这个，不知道大家有没有想起我们之前学过的最短路径，我们的这个算法也可以解决我们的最短路径问题。如图，我们两条线，可以确定一条新的线，但比上面的确定新的可到达点，这次不仅仅表示可到达，还可以表示到达的权重是多少，在我们传递的过程中，权值还会不断的改变，如果发现一条新的道路可以更短的到达，那么就更新那个点，表示那个点的横纵坐标两个点之间新的更短路径。

这是演示图，我们知道新的两点之间可以间接到达。

同样也只能是沿（k，k）对角线传递，更新完后，我们可以轻易找出两个点之间的最短路径，不过图中是有向图，两点之间方向不一样可能路径数值不一样。

结尾

这两天高产像母猪，我淦！不过开心(✪▽✪)