DP基础

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