动态规划是一种用空间换取时间的算法思路(这一点类似于记忆化搜索),利用存储数据避免重复计算相同的子问题。与记忆化搜索不同的是,记忆化搜索常常以递归的形式表现,而动归往往应用了递推的思想。
动归与贪心一样,需要满足最优子结构与无后效性原则。
0-1背包
有 n 件物品和一个容量为 C 的背包。第 i 件物品的重量是 w[i],价值是 v[i]。求解将哪些物品装入背包可使价值总和最大
DP数组: f [ i ] [ j ]
f [ i ] [ j ] 内存储的信息表示,前i个物品,应用了j大小的空间情况下,可以存储的最大价值
动态转移方程: f [ i ] [ j ] = max ( f [ i - 1 ] [ j ] , f [ i ] [ j - w [ i ] ] + v [ i ] )
优化(滚动数组):
f [ c ] = max ( f [ c ] , f [ c - w [ i ] ] + v [ i ] )
注意: 使用这一式子时递推时,容量的顺序应是从大到小,否则会造成一个物品被重复使用的情况
而相应的,将顺序改成从小到大,就可用于解决完全背包问题
多重背包
有 n 种物品和一个容量为 C 的背包。第 i 种物品的重量是 w[i],价值是 v[i], 数量为 a[i]。求解将哪些物品装入背包可使价值总和最大。
将物品数量按二进制拆分(如17=1+2+4+8+2),进而转化为0-1背包问题求解
完全背包
有 n 种物品和一个容量为 C 的背包。第 i 种物品的重量是 w[i],价值是 v[i], 数量无限。
求解将哪些物品装入背包可使价值总和最大
实际上,该问题与0-1背包的区别仅在于放入一个物品时,可考虑现前已放入同类物品的情况,因此仅需要将0-1背包中的i - 1改为 i 即可用于求解完全背包
之前已经提到,0-1背包用滚动数组时,将递推顺序反向即可解决完全背包
在算法竞赛中,DP类题目的难度集中于开始编写前的分析: 读题,分析是否可用DP,DP数组开成几维,每一维表示什么,DP数组内存储的信息又表示什么,DP的动态转移方程是什么……
若能完成上述步骤,代码的编写量是相对很少的,但众多勇士往往就倒在了DP数组与动态转移方程前……这一点大概只能靠反复练习来培养算法分析能力
例题
POJ 1163
#include<cstdio>
#include<iostream>
#include<algorithm>
using namespace std;
int num[110][110];
int f[110][110];
int main()
{
int n,m;
scanf("%d",&n);
for(int i=0;i<n;i++)
for(int j=0;j<=i;j++)
scanf("%d",&num[i][j]);
for(int i=0;i<n;i++)f[n-1][i]=num[n-1][i];
for(int i=n-2;i>=0;i--)
for(int j=0;j<=i;j++)
f[i][j]=max(f[i+1][j],f[i+1][j+1])+num[i][j];
printf("%d\n",f[0][0]);
return 0;
}
CodeForces 1110D
#include<cstdio>
#include<iostream>
#include<algorithm>
using namespace std;
int num[1000010]={0},n,m;
int f[1000010][3][3];
int main()
{
int tmp;
scanf("%d%d",&n,&m);
for(int i=0;i<n;i++)
{
scanf("%d",&tmp);
num[tmp]++;
}
for(int i=0;i<=m;i++)
for(int j=0;j<=2;j++)
for(int k=0;k<=2;k++)
for(int t=0;t<=2;t++)
if(j+k+t<=num[i+1]&&k+t<=num[i+2]&&t<=num[i+3])
f[i+1][k][t]=max(f[i+1][k][t],f[i][j][k]+t+(num[i+1]-j-k-t)/3);
printf("%d\n",f[m+1][0][0]);
return 0;
}