动态规划基础
动态规划算法把原问题视为若干个重叠的子问题的逐层递增,每个子问题的求解过程就是一个阶段。在完成前一个阶段的计算后,动态规划才会执行下一阶段计算。同时为了保证这些计算能够按顺序、不重复的进行,动态规划要求以求解的子问题,不受后续阶段的影响,即无后效性。动态规划用于求解最优化问题,下一阶段的最优解应该能够有前面的各阶段的子问题最优解导出,即最优子结构。
状态、阶段、决策是动态规划算法的三要素。
重点是解决状态转移方程。
两种思想:如何用当前已知状态更新其他状态、如何用已知状态获取当前状态。
一、线性DP
通过一维或者多维来表示状态,在线性空间上的递推,即DP的每个阶段沿各个维度线性增长,从一个或者多个边界点有方向的想整个状态空间转移、扩展、最后每个状态都保存以自身为目标的子问题最优解。
例题1、poj1050 矩阵最大和:压缩+DP最大连续子序列和
问题:是给定数字(整数范围)矩阵,求矩阵的最大子矩阵和。
思路:枚举第i行和第j行之间的矩形,通过求某一列(i与j之间的)和,将问题转化为最大连续子序列之和的问题。
核心代码
for(int i=1;i<=n;i++){
for(int j=1;j<=n;j++){
sum[i][j]=sum[i-1][j]+sum[i][j-1]-sum[i-1][j-1]+a[i][j];//预处理矩阵和,避免重复计算
}
}
for(int i=1;i<=n;i++){
for(int j=0;j<i;j++){
for(int k=1;k<=n;k++){
int b=sum[i][k]-sum[j][k]-sum[i][k-1]+sum[j][k-1];//获得i、j之间的k列的矩形和,转化问题。
if(k==1) f[k]=b;
else {
if(f[k-1]<0) f[k]=b;
else f[k]=f[k-1]+b;//简单的转移方程
}
ans=max(ans,f[k]);
}
}
}
二、01背包
给定一背包容量,和若干物品价值及容量,求不超过背包容量下,可装物品的最大价值。
1、简单递推,关键在于状态转移方程求解
for(int i=1; i<=n; i++){
for(int j=1;j<=m;j++) dp[i][j]=dp[i-1][j];
for(int j=w; j>=a[i]; j--){
dp[i][j]=max(dp[i][j],dp[i-1][j-a[i]]+val[i]);
}
}
/*for(int i=1; i<=n; i++){或者这样
for(int j=1;j<=w; j++){
if(j<a[i]) dp[i][j]=dp[i-1][j];
else dp[i][j]=max(dp[i-1][j],dp[i-1][j-a[i]]+val[i]);
}
}*/
int ans=0;
for(int i=1; i<=w; i++) ans=max(ans,dp[n][i]);
cout<<ans<<endl;
}
2、 滚动数组,由上递推可知,第i件物品只与i-1有关,所以第一维数组大小为2即可满足。
如何实现?滚动数组原理是,i为偶数时,i&1=1,i为奇数时 i&1 为0,所以当i
为奇数,i占据0的内存,i-1占据1的内存,而i+1占据1的内存(覆盖i-1,因为此时i-1已经不再使用),循环使用内存,节省开支。
for(int i=1;i<=n;i++){
for(int j=1;j<=m;j++) dp[i&1][j]=dp[(i-1)&1][j];
for(int j=m;j>=v[i];j--)
dp[i&1][j]=max(dp[i&1][j],dp[(i-1)&1][j-v[i]]+w[i]);
}
int ans=0;
for(int i=1;i<=m;i++){
ans=max(ans,dp[n&1][i]);
}
多重背包