动态规划 学习笔记（1）
一、动态规划简介
动态规划 （ dynamic programming ）相比程序算法，更多的是一种 思 想 ① 思想^{①} 思想①！！！
1. 动态规划步骤
1.刻画 一个最优解 的 结构特征
2. 递归地定义最优解的值
3. 计算最优解的值，通常采用 自底向上的方法
4.利用 计算出来的信息 构造 一个最优解
这是《算法导论》上动规步骤的阐述 （不讲人话） ，相信初学会一脸懵逼，什么是 一个最优解，什么是 结构特征 ，怎么 计算，怎么采用 自底向上 的方法，计算出了什么 信息，怎么去 构造一个最优解。（ 我也不会 ）
②
^{②}
②
2. 动态规划解释 ③ ^{③} ③
最优化结构的特征：
2.1 最优子结构 ：问题的最优解包含子问题的最优解，因此，反过来，就是由子问题的最优解也可以推出问题的“最优解”（但因为可能存在多个最优解，因此（步骤中）说 一个最优解，也就有了求字典序最小的方案的问题（ 重构），后续会提到）
2.2 无后效性 ：说简单点就是，未来不影响现在，现在(而不是过去)决定未来 （是不是和我们生活一样）
a.在推导后面阶段状态的时候，我们只关心前面阶段的状态值，而不关心这个状态是怎么一步步推导出来的
b.某阶段状态一旦确定，就不受之后阶段的决策影响
2.3 重叠子问题 ：问题的递归算法会反复地求解相同的子问题，相对地，动态规划算法则会将子问题的解存在一张表内，方便下次决策（动态规划英文名中 programming 深刻地表现了这一特征）
动态规划就是利用 所解的问题的最优化结构的性质特征，通过现在的状态值与未来状态值的转移（ 状态转移方程 ），来设计算法的一种思想 。
状态：事物表现出来的形态，或所处的状况
3. 另一种解题步骤
闫氏DP法
⟶
\longrightarrow
⟶ 从 集合 角度考虑问题
（可以略微了解一点离散数学）
做题中会利用到，到时更深入理解
注：
① DP思想，会在做题的情况下逐渐清晰、理解
②个人理解，理解是逐渐深化（做题）的过程
③如果有问题，会来更新，也希望得到指正
二、数字三角形模型
2.1 数字三角形问题
有一个由非负整数组成的三角形，第一行只有一个数，除了最下行之外每个数的左下方和右下方各有一个数（图略，来源–紫书P259），从每一行的数开始，每次可以往左下或右下走一格，直到走到最小行，把沿途的数全部加起来，问这个数最大是多少？
步骤描述 ：
状态值： 从底部走到该点的最大值，记 f i , j f_{i, j} fi,j
最优子结构： 最优解即顶部的 f i , j f_{i, j} fi,j，可想它是由左下或右下的最优解而来，可用反证法证明（假设不是最优解）
无后效性： f i , j f_{i, j} fi,j 的大小，由 f i + 1 , j f_{i +1,j} fi+1,j 和 f i + 1 , j + 1 f_{i+1, j+1} fi+1,j+1，即左下和右下两个决定，不受过去（更下面的行）状态值影响
重叠子问题： 若采用递归，则会反复地计算某个点的最优解（由最优子结构得出）
由上面描述，现在与未来的状态值转换的方程 （状态转移方程） 也就出来了， f i , j f_{i, j} fi,j = max( f i + 1 , j f_{i +1,j} fi+1,j, f i + 1 , j + 1 f_{i+1, j+1} fi+1,j+1) + w ，这里采用自底向下，事实上也可以采用自顶向下（记忆化递归）
这道题虽然很简单，但可以 延申 出一类题目
2.2 延申（模型）
以数字三角形走格规律，建边，那就变成了一张 有向无环图DAG
因此，数字三角形问题也就 衍生变成了简单DAG上的问题，也就可以用数字三角形问题的思想解决DAG上的问题,可以用来求 最长路MAX、最短路MIN、路径计数COUNT
2.3模型特征 ① ^{①} ①
状态值：一般为所问求的答案
最优子结构：来源自走格规律的 前向点的最优解，沿着边，转移至当前点点，得到当前的最优解
无后效性：注意状态值转移过程中，不会受过去(未来)影响，只通过现在状态值影响未来状态值（有时可约束取消掉过去的影响，比如过去选择的最后1个字母 好像与这模型无关 ），如若不满足，尝试新的状态值定义
重叠子结构：反复求解，可存表中（如记忆化递归）
状态转移方程：由上诉性质，和走图规律，建立
① 个人理解，如有错，或更好的解释，求评论告知，会改
2.4 案例及练习
思路：看作图，走图规律：向下、向右、多了个限制，很容易出来状态转移方程
巴比伦塔 The Tower of Babylon UVA437（洛谷）
思路：抽象成图
三、最长上升子序列模型
3.1最长上升子序列问题（LIS）
给定n个整数 A 1 A_{1} A1, A 2 A_{2} A2,…… A n A_{n} An,按从左到右的顺序选出尽量多的整数，组成一个上升子序列。
解法：
可以用上面数字三角形模型，把该问题抽像类似为图上的问题，走图规律是小于当前点的前向点可以走（转移）过来，因此 状态转移方程 很简单就出来了
f
i
f_{i}
fi = max{0,
f
j
f_{j}
fj| j < i and
A
j
A_{j}
Aj <
A
i
A_{i}
Ai } + 1
这是一类特殊问题，因此可以抽像出模型。
此外，还可以用到一种贪心的方法把时间复杂度优化到O（nlogn），这里略。
3.2 最长公共子序列问题（LCS）
给两个子序列A和B，求长度最长的公共子序列，如 序列1：1, 5, 2, 6, 8, 7 , 序列2： 2, 3, 5, 6, 9, 8, 4 的最长公共子序列为5, 6, 8.
步骤描述：
状态值： 前i项和前j项的LCS长度，记 f i , j f_{i, j} fi,j
最优子结构： 最优解肯定是由最优解转换而来。假设不是，如某解 + 最后1步，LCS长度，这是替换某解为前最优解，这是发现LCS长度 ≥ \geq ≥ 原来的LCS长度（等于是因为可能都是最优解），因此证明了最优子结构
无后效性： f i , j f_{i, j} fi,j 的大小，由最后1步之前的LCS转移过来，并不关心前面序列是怎么样的
重叠子问题： 若采用递归，则会反复地计算某个点的最优解（由最优子结构得出）
状态转移方程： 当 A j A_{j} Aj = A i A_{i} Ai ， f i , j f_{i,j} fi,j = f i − 1 , j − 1 f_{i - 1,j - 1} fi−1,j−1 + 1, 当 A j ≠ A i A_{j} \neq A_{i} Aj=Ai ， f i , j f_{i,j} fi,j = max{ f i − 1 , j f_{i - 1,j } fi−1,j， f i , j − 1 f_{i,j - 1} fi,j−1 }
由上面例子，发现很多时候，状态值计算（转移）的依据一般为最后1步不同的时候
为什么讲LCS，因为有时LCS 可以转换为 LIS 问题（离散化），后面有题目体现！
3.3 案例及练习
思路： 正反2次LIS，然后加起来最大即可
思路： LIS问题，其中涉及到O（nlogn）方法（有多种，只是贪心思想，用其他维护）学习
思路：LCS 转化成 LIS 问题
Greatest Common Increasing Subsequence HDU1423
思路：最长公共上升子序列（LCIS）
结束语
蒟蒻匍匐前进，欢迎各位大佬神犇指正，咕咕咕
2211
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
