闫式DP分析法
参考视频: https://www.bilibili.com/video/BV1X741127ZM/?spm_id_from=333.788.videocard.0
分析思想
- DP问题一般是求若干有限集合中的最值问题,并且此类问题存在子问题重叠
(Overlap-subproblems)
,如果通过暴力枚举每种可能解决问题,那么将会有大量重复的计算;如果从集合角度来分析DP问题,每次枚举一个集合并且利用子问题重叠特性,将子问题的解存储下来,可以大大提高效率; - DP问题的核心是状态集合 f(i) 的定义,在状态及转移计算中,划分子集的依据:寻找最后一个不同点,即处理最后一个子集的选择。
背包问题
import java.util.ArrayList;
import java.util.Scanner;
/**
* 有 N 件物品和一个容量是 V 的背包。每件物品只能使用一次(完全背包可以使用任意次)。
*
* 第 i 件物品的体积是 vi,价值是 wi。
*
* 求解将哪些物品装入背包,可使这些物品的总体积不超过背包容量,且总价值最大。
* 输出最大价值。
*
* 输入格式
* 第一行两个整数,N,V,用空格隔开,分别表示物品数量和背包容积。
*
* 接下来有 N 行,每行两个整数 vi,wi,用空格隔开,分别表示第 i 件物品的体积和价值。
*
* 输出格式
* 输出一个整数,表示最大价值。
*/
public class Knapsack{
// 1. 01背包问题的朴素解法
private static void simpleSolutionOf01() {
int N = 0;
int V = 0;
int[] v = new int[0];
int[] w = new int[0];
// 读取操作
try (
Scanner reader = new Scanner(System.in) // 读入数据的代码(基于正则表达式的文本扫描器)
) {
N = reader.nextInt(); // 物品的数量为N
V = reader.nextInt(); // 背包的容量为V
v = new int[N+1] ; // 一个长度为N的数组,第i个元素表示第i个物品的体积;
w = new int[N+1] ; // 一个长度为N的数组,第i个元素表示第i个物品的价值;
for (int i = 1 ; i <= N ; i++){
// 接下来有 N 行,每行有两个整数:v[i],w[i],用空格隔开,分别表示第i件物品的体积和价值
v[i] = reader.nextInt();
w[i] = reader.nextInt();
}
} catch (Exception e) {
e.printStackTrace();
}
// 正式工作的代码
/*
定义状态集合为 f(i,j) 含义:在只能选择前 i 个物品,背包容量为 j 的情况下的所有方案的集合;
状态集合为 f(i,j) 属性:所有方案中价值最大的值;
具体实现为一个二阶矩阵f[N+1][V+1],这里之所以要 N+1 和 V+1,
是因为第 0 行表示只能选择第 0 个物品的时候,即没有物品的时候,第 0 列表示背包的体积为 0 的时候,即不能装任何东西的时候;
f[i][j]表示在只能选择前 i 个物品,背包容量为 j 的情况下,背包中物品的最大价值,对于f[i][j]有两种情况:
1. 不选择当前的第i件物品/第i件物品比背包容量要大,则f[i][j] = f[i-1][j]
2. 选择当前的第i件物品(潜在要求第i件物品体积小于等于背包总容量),则能装入的物品最大价值为:
当前物品的价值 加上 背包剩余容量在只能选前 i-1 件物品的情况下的最大价值
f[i][j] = f[i-1][j-v[i]] + w[i]
f[i][j]在两种情况中选择比较大的情况作为当前的最优解,即:
if(j >= v[i]):
f[i][j] = max(f[i-1][j], f[i-1][j-v[i]] + w[i])
else:
f[i][j] = f[i-1][j]
*/
int[][] f = new int[N+1][V+1];
for(int i = 1; i <= N; i++){
for(int j = 0; j <= V; j++){
if(j >= v[i] ){
f[i][j] = Math.max(f[i-1][j], f[i-1][j-v[i]] + w[i]);
}else{
f[i][j] = f[i-1][j];
}
}
}
System.out.println(f[N][V]);
}
// 2. 01背包问题的空间优化解法
private static void spaceOptSolutionOf01() {
int N = 0;
int V = 0;
int[] v = new int[0];
int[] w = new int[0];
try (
Scanner reader = new Scanner(System.in) // 读入数据的代码(基于正则表达式的文本扫描器)
) {
N = reader.nextInt(); // 物品的数量为N
V = reader.nextInt(); // 背包的容量为V
v = new int[N+1] ; // 一个长度为N的数组,第i个元素表示第i个物品的体积;
w = new int[N+1] ; // 一个长度为N的数组,第i个元素表示第i个物品的价值;
for (int i = 1 ; i <= N ; i++){
// 接下来有 N 行,每行有两个整数:v[i],w[i],用空格隔开,分别表示第i件物品的体积和价值
v[i] = reader.nextInt();
w[i] = reader.nextInt();
}
} catch (Exception e) {
e.printStackTrace();
}
// 正式工作的代码
/*
f[i][j] = max(f[i-1][j], f[i-1][j-v[i]] + w[i]),可以看出f[i][j]的值只跟前一行(i-1)的值有关,所以最少只需要一行数组存储即可;
而且 j 总是在前一行从后往前找(j or j-v[i]),即只需要旧的一行前面的值,即从后往前更新能保证前一行前面可能被用到的值不被修改;
所以省去第一维下标后:
f[j] = max(f[j], f[j-v[i]] + w[i])
*/
int[] f = new int[V+1];
for(int i = 1; i <= N; i++){
for(int j = V; j >= 0; j--){ // 这里改成从后往前
if(j >= v[i] ){
f[j] = Math.max(f[j], f[j-v[i]] + w[i]);
// }else{
// f[j] = f[j]; // 这两行也可以省略了
}
}
}
System.out.println(f[V]);
}
/*
完全背包问题:
无论是朴素的还是空间优化的完全背包问题 相比于 01背包问题都只需要改动一行代码,但其背后的思想有很大不同
*/
// 3. 完全背包问题的朴素解法
private static void simpleSolutionOfComplete() {
int N = 0;
int V = 0;
int[] v = new int[0];
int[] w = new int[0];
try (
Scanner reader = new Scanner(System.in) // 读入数据的代码(基于正则表达式的文本扫描器)
) {
N = reader.nextInt(); // 物品的数量为N
V = reader.nextInt(); // 背包的容量为V
v = new int[N+1] ; // 一个长度为N的数组,第i个元素表示第i个物品的体积;
w = new int[N+1] ; // 一个长度为N的数组,第i个元素表示第i个物品的价值;
for (int i = 1 ; i <= N ; i++){
// 接下来有 N 行,每行有两个整数:v[i],w[i],用空格隔开,分别表示第i件物品的体积和价值
v[i] = reader.nextInt();
w[i] = reader.nextInt();
}
} catch (Exception e) {
e.printStackTrace();
}
// 正式工作的代码
/*
状态转移方程:
01背包: f[i][j] = max(f[i-1][j], f[i-1][j-v[i]] + w[i])
完全背包:f[i][j] = max(f[i-1][j], f[i][j-v[i]] + w[i])
完全背包状态转移方程推导:
在01背包中,f[i][j]只有两种情况,选0个 or 选1个,而在完全背包问题中,f[i][j]有很多种可能,选 0 or 1 or 2 or ... or k ... 直到超过容量,所以:
f[i][j] = max(f[i-1][j], f[i-1][j-v[i]] + w[i], f[i-1][j-2v[i]] + 2w[i], ... , f[i-1][j-kv[i]] + kw[i], ...) 一直到超过容量
用 j-v[i] 对 j 进行变量替换得:
f[i][j-v[i]] = max(f[i-1][j-v[i]], f[i-1][j-2v[i]] + w[i], f[i-1][j-2v[i]] + 2w[i], ... , f[i-1][j-(k+1)v[i]] + kw[i], ...)
所以:
f[i][j] = max(f[i-1][j], f[i][j-v[i]] + w[i])
*/
int[][] f = new int[N+1][V+1];
for(int i = 1; i <= N; i++){
for(int j = 0; j <= V; j++) {
if (j >= v[i])
f[i][j] = Math.max(f[i-1][j], f[i][j-v[i]] + w[i]); // 相比于 朴素的01背包解法只需要改动这里的状态转移方程
else
f[i][j] = f[i-1][j];
}
}
System.out.println(f[N][V]);
}
// 4. 完全背包问题的空间优化解法
private static void spaceOptOfComplete() {
int N = 0;
int V = 0;
int[] v = new int[0];
int[] w = new int[0];
try (
Scanner reader = new Scanner(System.in) // 读入数据的代码(基于正则表达式的文本扫描器)
) {
N = reader.nextInt(); // 物品的数量为N
V = reader.nextInt(); // 背包的容量为V
v = new int[N+1] ; // 一个长度为N的数组,第i个元素表示第i个物品的体积;
w = new int[N+1] ; // 一个长度为N的数组,第i个元素表示第i个物品的价值;
for (int i = 1 ; i <= N ; i++){
// 接下来有 N 行,每行有两个整数:v[i],w[i],用空格隔开,分别表示第i件物品的体积和价值
v[i] = reader.nextInt();
w[i] = reader.nextInt();
}
} catch (Exception e) {
e.printStackTrace();
}
// 正式工作的代码
/*
01背包: f[i][j] = max(f[i-1][j], f[i-1][j-v[i]] + w[i])
完全背包:f[i][j] = max(f[i-1][j], f[i][j-v[i]] + w[i])
看上式可以看出两个状态转移方程只有一个地方不同 —— f[i-1][j-v[i]] 和 f[i][j-v[i]];
在01背包中, j 必须从大到小,是因为 f[i-1][j-v[i]] 会用到更新前(i-1)行前面的值,为了不修改它,所以要从后往前更新
而在完全背包中,j 必须从小到大,是因为 f[i][j-v[i]] 会用到更新后( i )行前面的值,为了及时更新它,所以要从前往后更新
所以省去第一维下标后(跟01相同):
f[j] = max(f[j], f[j-v[i]] + w[i])
*/
int[] f = new int[V+1];
for(int i = 1; i <= N; i++){
for(int j = 0; j <= V; j++) // 只需要把这里改成从小到大
if(j >= v[i] )
f[j] = Math.max(f[j], f[j-v[i]] + w[i]); // 虽然这里跟 01 完全一样,但它们背后的含义是不同的,省去的下标不完全相同
}
// 等价于:
/*
for(int i = 1; i <= N; i++){
for(int j = v[i]; j <= V; j++)
f[j] = Math.max(f[j], f[j-v[i]] + w[i]);
}
*/
System.out.println(f[V]);
}
// 5. 多重背包问题的空间优化解法
private static void spaceOptOfMultiple() {
int N = 0;
int V = 0;
int[] v = new int[0];
int[] w = new int[0];
int[] s = new int[0];
try (
Scanner reader = new Scanner(System.in) // 读入数据的代码(基于正则表达式的文本扫描器)
) {
N = reader.nextInt(); // 物品的数量为N
V = reader.nextInt(); // 背包的容量为V
v = new int[N+1] ; // 一个长度为N的数组,第i个元素表示第i个物品的体积;
w = new int[N+1] ; // 一个长度为N的数组,第i个元素表示第i个物品的价值;
s = new int[N+1] ; // 一个长度为N的数组,第i个元素表示第i个物品的数量;
for (int i = 1 ; i <= N ; i++){
// 接下来有 N 行,每行有三个整数:v[i],w[i],s[i],用空格隔开,分别表示第i件物品的体积、价值和数量
v[i] = reader.nextInt();
w[i] = reader.nextInt();
s[i] = reader.nextInt();
}
} catch (Exception e) {
e.printStackTrace();
}
// 正式工作的代码
/*
01背包: f[i][j] = max(f[i-1][j], f[i-1][j-v[i]] + w[i])
完全背包:f[i][j] = max(f[i-1][j], f[i][j-v[i]] + w[i])
多重背包:
在01背包问题中只有两种选择,选0 or 选1,所以状态转移方程为:
f[i][j] = max(f[i-1][j], f[i-1][j-v[i]] + w[i]),
而在多重背包中,存在多重可能,一个最简单的思路就是在01的基础上拓展,选0 or 选1 or 选2 ... 选k,所以状态转移方程为:
f[i][j] = max(f[i-1][j], f[i-1][j-v[i]] + w[i], f[i-1][j-2v[i]] + 2w[i] ,..., f[i-1][j-kv[i]] + kw[i]),
所以只需要在 01背包 的基础上加个 0-k 的循环即可。
省去第一维下标后:
f[j] = max(f[j], f[j-v[i]] + w[i], f[j-2v[i]] + 2w[i] ,..., f[j-kv[i]] + kw[i])
*/
int[] f = new int[V+1];
for(int i = 1; i <= N; i++){ // 第 i 个物品
for(int j = V; j >= 0; j--) { // 从后往前
for (int k = 0; k <= s[i]; k++)
if (j >= k*v[i])
f[j] = Math.max(f[j], f[j-k*v[i]] + k*w[i]);
}
}
System.out.println(f[V]);
}
// 6. 多重背包问题的二进制优化解法
private static void binaryOptOfMultiple() {
int N = 0;
int V = 0;
int[] w = new int[0];
int[] v = new int[0];
int[] s = new int[0]; // 一个长度为N的数组,第i个元素表示第i个物品的数量;
try (
Scanner reader = new Scanner(System.in) // 读入数据的代码(基于正则表达式的文本扫描器)
) {
N = reader.nextInt(); // 物品的数量为N
V = reader.nextInt(); // 背包的容量为V
w = new int[N+1] ;
v = new int[N+1] ;
s = new int[N+1] ;
for (int i = 1 ; i <= N ; i++){
// 接下来有 N 行,每行有三个整数:v[i],w[i],s[i],用空格隔开,分别表示第i件物品的体积、价值和数量
v[i] = reader.nextInt();
w[i] = reader.nextInt();
s[i] = reader.nextInt();
}
} catch (Exception e) {
e.printStackTrace();
}
// 正式工作的代码
/*
思路:将多重背包问题拆分为 01背包问题,但不是一个一个拆分,但又能够达到同样的组合效果
二进制拆分:例如 7 = 2^0 + 2^1 + 2^2, 其中1,2,4可以组合成1-7中的任何数字,这跟一个一个拆分的效果是一样的;
如果拆分的不恰好是2^n-1,例10 = 2^0 + 2^1 + 2^2 + 3,其中1,2,4,3 恰好可以组合成1-10中的任何数字,而且不会越界
*/
ArrayList<Integer> nw = new ArrayList<>();
ArrayList<Integer> nv = new ArrayList<>();
nw.add(0,0); // 首位不存值
nv.add(0,0);
// 拆分并添加到数组
for (int i = 1; i <= N; i++) {
for (int k = 1; k <= s[i]; k *= 2) {
s[i] -= k; // k 拆分的份数
nw.add(k * w[i]); // 添加重量
nv.add(k * v[i]); // 添加体积
}
if (s[i] > 0) {
nw.add(s[i] * w[i]); // 添加重量
nv.add(s[i] * v[i]); // 添加体积
}
}
// 01 背包的解法
int[] f = new int[V+1];
for(int i = 1; i < nw.size(); i++){ // 第 i 个物品
for(int j = V; j >= nv.get(i); j--) { // 从后往前
f[j] = Math.max(f[j], f[j-nv.get(i)] + nw.get(i));
}
}
System.out.println(f[V]);
}
public static void main(String[] args){
// simpleSolutionOf01();
// spaceOptSolutionOf01();
// simpleSolutionOfComplete();
// spaceOptOfComplete();
// spaceOptOfMultiple();
binaryOptOfMultiple();
}
}
/*
Input:
20 200
24 50
42 60
20 49
7 15
48 115
4 11
3 8
7 5
52 66
50 25
5 8
9 25
14 40
9 22
55 42
40 30
35 49
33 16
12 12
65 127
Output:
454 -- 01
571 -- complete
Input:
4 5
1 2 3
2 4 1
3 4 3
4 5 2
Output
10 -- multiple
*/
石子合并问题
import java.util.Scanner;
/**
* 设有N堆石子排成一排,其编号为1,2,3,…,N。
*
* 每堆石子有一定的质量,可以用一个整数来描述,现在要将这N堆石子合并成为一堆。
*
* 每次只能合并相邻的两堆,合并的代价为这两堆石子的质量之和,合并后与这两堆石子相邻的石子将和新堆相邻,合并时由于选择的顺序不同,合并的总代价也不相同。
*
* 例如有4堆石子分别为 1 3 5 2, 我们可以先合并1、2堆,代价为4,得到4 5 2, 又合并 1,2堆,代价为9,得到9 2 ,再合并得到11,总代价为4+9+11=24;
*
* 如果第二步是先合并2,3堆,则代价为7,得到4 7,最后一次合并代价为11,总代价为4+7+11=22。
*
* 问题是:找出一种合理的方法,使总的代价最小,输出最小代价。
*
* 输入格式
* 第一行一个数N表示石子的堆数N。
*
* 第二行N个数,表示每堆石子的质量(均不超过1000)。
*
* 输出格式
* 输出一个整数,表示最小代价
*
* Input:
* 4
* 1 3 5 2
*
* Output:
* 22
*/
public class StonesCombined {
public static void main(String[] args) {
// 读入
int N = 0;
int[] sumN = new int[0];
try (
Scanner reader = new Scanner(System.in);
) {
N = reader.nextInt();
sumN = new int[N+1]; // 前 n 项和
// 这里直接处理成前 n 项之和
for (int i = 1; i <= N; i++) {
sumN[i] = sumN[i-1] + reader.nextInt();
}
} catch(Exception e) {
e.printStackTrace();
}
// 正式工作的代码
/*
状态集为 f(i,j) 含义:所有将区间 [i,j] 合并成一个堆的方案的集合;
状态集为 f(i,j) 属性:值代表这些方案集合中最小的代价;
状态转移方程:将区间 [i,j] 分成相邻两部分共有 j-i 种分法,
分别对应 [i,i]&[i+1,j], [i,i+1]&[i+2,j], [i,i+2]&[i+3,j], ... ,[i,k]&[k+1,j], ... ,[i,j-1]&[j,j];
其中每个子区间 [i,k]、[k+1,j] 合并成一个堆的方案的集合为 f(i,k) 、f(k+1,j);
所以f(i,j) = k from i to j-1_min{f(i,k) + f(k+1,j)} + (w[i]+w[i+1]+...+w[j]);
即:f(i,j) = k from i to j-1_min{f(i,k) + f(k+1,j)} + (sumN[j] - sumN[i-1]);
*/
int[][] f = new int[N+1][N+1];
for (int len = 2; len <= N; len++) { // 枚举区间长度,长度为 1 时不用合并,代价为 0 忽略,从 2 开始
for (int i = 1; i + len -1 <= N; i++) { // 枚举区间左端点,(i+len-1)为右端点
int j = i + len -1; // 右端点
f[i][j] = Integer.MAX_VALUE; // 不要忘了先给个很大的值,如果是求最大值就给个很小的值,当然默认为 0
for (int k = i; k < j; k++) { // 更新 f[i][j]
f[i][j] = Math.min(f[i][j], f[i][k] + f[k+1][j] + sumN[j]-sumN[i-1]);
}
}
}
System.out.println(f[1][N]); // 根据状态集定义,左端点为 1,右端点为 N时的最小值,即全局最小值
}
}
最长公共子序列
import java.util.Scanner;
/**
* 给定两个长度分别为N和M的字符串A和B,求既是A的子序列又是B的子序列的字符串长度最长是多少。
* 一个字符串的 子序列 是指这样一个新的字符串:它是由原字符串在不改变字符的相对顺序的情况下删除某些字符(也可以不删除任何字符)后组成的新字符串。
* 例如,"ace" 是 "abcde" 的子序列,但 "aec" 不是 "abcde" 的子序列。两个字符串的「公共子序列」是这两个字符串所共同拥有的子序列。
*
* 若这两个字符串没有公共子序列,则返回 0。
*
* 输入格式
* 第一行包含两个整数N和M。
*
* 第二行包含一个长度为N的字符串,表示字符串A。
*
* 第三行包含一个长度为M的字符串,表示字符串B。
*
* 字符串均由小写字母构成。
*
* 输出格式
* 输出一个整数,表示最大长度。
*
* Input:
* 4 5
* acbd
* abedc
*
* Output:
* 3
* 解释:a bd, ab d
*/
public class LongestCommonSubsequence {
public static void main(String[] args) {
// 读入
int N = 0;
int M = 0;
char[] A = new char[0];
char[] B = new char[0];
try (
Scanner reader = new Scanner(System.in);
) {
N = reader.nextInt();
M = reader.nextInt();
A = new char[N+1];
B = new char[M+1];
String a = reader.next();
String b = reader.next();
for (int i = 1; i <= N; i++)
A[i] = a.charAt(i-1);
for (int i = 1; i <= M; i++)
B[i] = b.charAt(i-1);
} catch(Exception e) {
e.printStackTrace();
}
// 正式工作代码
/*
状态表示:
对于一个长度为 N 的序列,一共有 2^N 个子序列(每个 在 or 不在);
定义状态集合 f(i,j) 含义:所有在字符串区间 A[1~i] 与 A[1-j] 的公共子序列的集合;
定义状态集合 f(i,j) 属性:其中最长的子序列的长度;
状态计算:
f(i,j) 可分为四种(可重复,不可遗漏):
00 不含A[i]且不含B[j] = f(i-1,j-1);
01 不含A[i]且含B[j] = f(i-1,j); (存在重复,但不影响最大值)
10 含A[i]且不含B[j] = f(i,j-1); (存在重复,但不影响最大值)
11 含A[i]且含B[j],此时A[i]一定等于B[j] = f(i-1,j-1)+1;
所以 f(i,j) = max{ f(i-1,j-1), f(i-1,j), f(i,j-1), if A[j]==B[j] --> f(i-1,j-1)+1 }
*/
int[][] f = new int[N+1][M+1];
for (int i = 1; i <= N; i++)
for (int j = 1; j <=M; j++) {
f[i][j] = Math.max(f[i-1][j], f[i][j-1]);
if (A[i] == B[j])
f[i][j] = Math.max(f[i][j], f[i-1][j-1]+1);
}
System.out.println(f[N][M]); // 根据状态集合定义
}
}