Pku acm 1163 the Triangle 动态规划题目总结(一)
题目:http://acm.pku.edu.cn/JudgeOnline/problem?id=1163
对于一个有数字组成的二叉树,求由叶子到根的一条路径,使数字和最大,如:
7
3 8
8 1 0
2 7 4 4
4 5 2 6 5
这个是经典的动态规划,也是最最基础、最最简单的动态规划,典型的多段图。思路就是建立一个数组,由下向上动态规划,保存页子节点到当前节点的最大值,Java核心代码如下:
for(int i=num-2;i>=0;i--){
for(int j=0;j<=i;j++){
//该句是整个动态规划的核心
number[i][j]=Math.max(number[i+1][j],number[i+1][j+1])+number[i][j];
}
}
带有详细注释的代码可以在http://download.csdn.net/user/china8848/获得
Pku acm 1579 Function Run Fun 动态规划题目总结(二)
http://acm.pku.edu.cn/JudgeOnline/problem?id=1579
Consider a three-parameter recursive function w(a, b, c):
if a <= 0 or b <= 0 or c <= 0, then w(a, b, c) returns: 1
if a > 20 or b > 20 or c > 20, then w(a, b, c) returns: w(20, 20, 20)
if a < b and b < c, then w(a, b, c) returns: w(a, b, c-1) + w(a, b-1, c-1) - w(a, b-1, c)
otherwise it returns: w(a-1, b, c) + w(a-1, b-1, c) + w(a-1, b, c-1) - w(a-1, b-1, c-1)
这本身就是一个递归函数,要是按照函数本身写递归式,结果肯定是TLE,这里我开了一个三维数组,从w(0,0,0)开始递推,逐步产生到w(20,20,20)的值,复杂度O(n^3).
总结:这道题是很地道的DP,因为它的子问题实在是太多了,所以将问题的结果保存起来,刘汝佳《算法艺术和信息学竞赛》中115页讲到自底向上的递推,这个例子就非常典型。总体来说这个题目还是非常简单的,不过这个思想是地道的动态规划。
带有详细注释的代码可以在http://download.csdn.net/user/china8848/获得
Pku acm 2081 Recaman's Sequence 动态规划题目总结(三)
http://acm.pku.edu.cn/JudgeOnline/problem?id=2081
一道很简单的动态规划,根据一个递推公式求一个序列,我选择顺序的求解,即自底向上的递推,一个int数组result根据前面的值依此求出序列的每一个结果,另外一个boolean数组flag[i]记录i是否已经出现在序列中,求result的时候用得着,这样就避免了查找。核心的java代码为:
for(i=1;i<=500000;i++)
{
if(result[i-1]-i>0&&flag[result[i-1]-i]==false)
{
result[i] = result[i-1]-i;
flag[result[i-1]-i] = true;
}
else
{
result[i] = result[i-1]+i;
flag[result[i-1]+i] = true;
}
}
带有详细注释的代码可以在http://download.csdn.net/user/china8848/获得
Pku acm 1953 World Cup Noise 动态规划题目总结(四)
http://acm.pku.edu.cn/JudgeOnline/problem?id=1953
给定一个小于45的整数n,求n位2进制数中不含相邻1的数的个数。看似简单的一道题,如果当n=45时,对2的45次方检查,是无法完成的任务。先分析一下这个问题:
N | 以1结尾的个数 | 以0结尾的个数 | 总和 |
1 | 1 | 1 | 2 |
2 | 1 | 2 | 3 |
3 | … | … | … |
对于n=1来说,以1结尾、以0结尾个数都是1,总和是2,下面过度到2:对于所有以1结尾的数,后面都可以加上0,变为n=2时以0结尾的,而只有结尾为0的数才能加上1(因为不能有两个连续0),这样就可以在n=2的格里分别填上1、2,总和算出来为3,以此类推,我们可以算出所有n<=45的值,然后根据输入进行相应输出。核心代码如下:
int i,num,count,array[50][2],j=0;
array[1][1] = 1;
array[1][0] = 1;
for(i=2;i<50;i++)
{
array[i][0] = array[i-1][1];
array[i][1] = array[i-1][1]+array[i-1][0];
}
我们可以继续找出规律,其实这个就是斐波那切数列数列:
F[N] = F[N-1]+F[N-2];可以继续简化代码。
带有详细注释的代码可以在http://download.csdn.net/user/china8848/获得
Pku acm 1458 Common Subsequence 动态规划题目总结(五)
http://acm.pku.edu.cn/JudgeOnline/problem?id=1958
求两个string的最大公共字串,动态规划的经典问题。算法导论有详细的讲解。
下面以题目中的例子来说明算法:两个string分别为:abcfbc和abfca。创建一个二维数组result[][],维数分别是两个字符串长度加一。我们定义result[i][j]表示Xi和Yj 的最长子串(LCS).当i或j等于0时,result[i][j]=0. LCS问题存在一下递归式:
result[i][j] = 0 i=0 or j=0
result[i][j] = result[i-1][j-1] Xi= =Yj
result[i][j] = MAX(result[i-1][j], result[i][j-1]) Xi! =Yj
对于以上例子,算法如下:
Result[i][j]:
|
|
| a | b | c | f | b | a |
|
| 0 | 1 | 2 | 3 | 4 | 5 | 6 |
| 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
a | 1 | 0 | 1 | 1 | 1 | 1 | 1 | 1 |
b | 2 | 0 | 1 | 2 | 2 | 2 | 2 | 2 |
f | 3 | 0 | 1 | 2 | 2 | 3 | 3 | 3 |
c | 4 | 0 | 1 | 2 | 3 | 3 | 3 | 3 |
a | 5 | 0 | 1 | 2 | 3 | 3 | 3 | 4 |
从最后一个格向上顺着箭头的方向可以找到最长子串的构成,在有箭头组成的线段中,含有斜向上的箭头对应的字符是其中的一个lcs。
Java代码的核心部分如下:
for(int i=0;i<length1;i++){
result[i][0] = 0;
}
for(int i=0;i<length2;i++){
result[0][i] = 0;
}
for(int i=1;i<=length1;i++){
for(int j=1;j<=length2;j++){
if(str1.charAt(i-1)==str2.charAt(j-1))
result[i][j] = result[i-1][j-1]+1;
else
result[i][j] = result[i-1][j]>result[i][j-1]?result[i-1][j]:result[i][j-1];
}
}
System.out.println(result[length1][length2]);
带有详细注释的代码可以在http://download.csdn.net/user/china8848/获得
Pku acm 2250 Compromise 动态规划题目总结(六)
http://acm.pku.edu.cn/JudgeOnline/problem?id=2250
这个也是求最长公共字串,只是相比Common Subsequence需要记录最长公共字串的构成,此时箭头的标记就用上了,在程序中,用opt[][]存放标记,0表示朝向左上方,1表示指向上,-1表示指向左。result[][]存放当前最大字串长度。在求最优解时,顺着箭头从后向前寻找公共字串的序号,记录下来,输出即可。该算法在算法导论中有详细的讲解。
带有详细注释的代码可以在http://download.csdn.net/user/china8848/获得。
Pku acm 1159 Palindrome 动态规划题目总结(七)
http://acm.pku.edu.cn/JudgeOnline/problem?id=1159
给一个字符串,求这个字符串最少增加几个字符能变成回文,如Ab3bd可以增加2个字符变为回文:Adb3bdA。通过这样的结论可以和最长公共子串联系起来(未证明):S和S' (注:S'是S的反串)的最长公共子串其实一定是回文的。这样我们就可以借助lcs来解决该题,即用s的长度减去lcs的值即可。核心的Java代码为:
total-LCS(string,new StringBuffer(string).reverse().toString());
//函数LCS返回两个string的lcs的长度
带有详细注释的代码可以在http://download.csdn.net/user/china8848/获得
Pku acm 1080 Humman Gene Function 动态规划题目总结(八)
http://acm.pku.edu.cn/JudgeOnline/problem?id=1080
这是一道比较经典的DP,两串基因序列包含A、C、G、T,每两个字母间的匹配都会产生一个相似值,求基因序列(字符串)匹配的最大值。
这题有点像求最长公共子序列。只不过把求最大长度改成了求最大的匹配值。用二维数组opt[i][j]记录字符串a中的前i个字符与字符串b中的前j个字符匹配所产生的最大值。假如已知AG和GT的最大匹配值,AGT和GT的最大匹配值,AG和GTT的最大匹配值,求AGT和GTT的最大匹配值,这个值是AG和GT的最大匹配值加上T 和T的匹配值,AGT和GT的最大匹配值加上T 和-的匹配值,AG和GTT的最大匹配值加上-和T的匹配值中的最大值,所以状态转移方程:
opt[i][j] = max(opt[i-1][j-1]+table(b[i-1],a[j-1]),opt[i][j-1]+table('-',a[j-1]),opt[i-1][j]+table('-',b[i-1]));
| Null | A | G | T | G | A | T | G |
Null |
| -3 | -5 | -6 | -8 | -11 | -12 | -14 |
G | -2 |
|
|
|
|
|
|
|
T | -3 |
|
|
|
|
|
|
|
T | -4 |
|
|
|
|
|
|
|
A | -7 |
|
|
|
|
|
|
|
G | -9 |
|
|
|
|
|
|
|
第0行,第0列表示null和字符串匹配情况,结果是’-’和各个字符的累加: for(i=1;i<=num1;i++)
opt[0][i] = opt[0][i-1]+table('-',a[i-1]);
for(i=1;i<=num2;i++)
opt[i][0] = opt[i-1][0]+table('-',b[i-1]);
opt[num2][num1]即为所求结果。
带有详细注释的代码可以在http://download.csdn.net/user/china8848/获得
Pku acm 2192 Zipper 动态规划题目总结(九)
http://acm.pku.edu.cn/JudgeOnline/problem?id=2192
这个题目要求判断2个字符串能否组成1个字符串,例如cat和tree能组成tcraete。我们定义一个布尔类型的二维数组 array,array[i][j]表示str1[i]和str2[j]能否组成str[i+j].i=0或者j=0表示空字符串,所以初始化时,array[0][j]表示str1的前j个字符是否和str都匹配。
对于str=tcraete:
| Null | c | a | t |
Null | 1 | 0 | 0 | 0 |
t | 1 |
|
|
|
r | 0 |
|
|
|
e | 0 |
|
|
|
e | 0 |
|
|
|
可以证明:当array[i-1][j]( array[i][j]上面一格)和array[i][j-1]( array[i][j]左面一格)都为0时,array[i][j]为0.当array[i-1][j]( array[i][j]上面一格)为1且左面字母为str[i+j]时或者当array[i][j-1]( array[i][j]左面一格)为1且上面字母为str[i+j]时,array[i][j]为1.这就是状态转移方程为。
核心的Java代码:
if(array[i][j-1]&&str1.charAt(j-1)==str.charAt(i+j-1)||array[i-1][j]&&str2.charAt(i-1)==str.charAt(i+j-1))
array[i][j] = true;
else
array[i][j] = false;
带有详细注释的代码可以在http://download.csdn.net/user/china8848/获得
Pku acm 3356 AGTC 动态规划题目总结(十)
http://acm.pku.edu.cn/JudgeOnline/problem?id=3356
一个字符串可以插入、删除、改变到另一个字符串,求改变的最小步骤。和最长公共子序列类似,用二维数组opt[i][j]记录字符串a中的前i个字符到字符串b中的前j个字符匹配所需要的最小步数。假如已知AG到GT的最小步数,AGT到GT的最小步数,AG到GTT的最小步数,求AGT到GTT的最小步数,此时T= =T,这个值是AG到GT的最小步数,AGT到GT的最小步数加一(AGT到GT的最小步数等于AGTT到GTT的最小步数,加一是将T删除的一步),AG到GTT的最小步数加一(AG到GTT的最小步数等于AGT到GTTT的最小步数,加一是在AGT上增加T的一步)。假如已知AG到GT的最小步数,AGA到GT的最小步数,AG到GTT的最小步数,求AGA到GTT的最小步数,此时A! =T,这个值是AG到GT的最小步数加一(A改变为T),AGA到GT的最小步数加一(AGA到GT的最小步数等于AGAT到GTT的最小步数,加一是将T删除的一步),AG到GTT的最小步数加一(AG到GTT的最小步数等于AGA到GTTA的最小步数,加一是在GTTA上删除A的一步)。所以状态转移方程:
if(str1.charAt(i-1)==str2.charAt(j-1))
array[i][j] = Math.min(Math.min(array[i-1][j-1], array[i-1][j]+1), array[i][j-1]+1);
else
array[i][j] = Math.min(Math.min(array[i-1][j-1]+1, array[i-1][j]+1), array[i][j-1]+1);
初始化的时候和最长公共子序列不同,因为第0行,第0列表示null转化到字符串情况,结果是字符串的长度:
for(int i=0;i<=m;i++){
array[i][0] = i;
}
for(int i=0;i<=n;i++){
array[0][i] = i;
}
| Null | A | G | T | G | A | T | G |
Null | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
G | 1 |
|
|
|
|
|
|
|
T | 2 |
|
|
|
|
|
|
|
T | 3 |
|
|
|
|
|
|
|
A | 4 |
|
|
|
|
|
|
|
G | 5 |
|
|
|
|
|
|
|
结果是array[m][n]
带有详细注释的代码可以在http://download.csdn.net/user/china8848/获得
Pku acm 1887 Testing the CATCHER 动态规划题目总结(十一)
http://acm.pku.edu.cn/JudgeOnline/problem?id=1887
题目叙述很繁琐,其实就是求最长下降子序列,这一类题也是动态规划的典型题。这类问题有两种算法,一种 T(o) = O(n^2),另一种T(o) = O(nlogn),这里用第一种,在1631 Bridging signals的解题报告中介绍第二种。
创建一个一维数组num_array[j],max_array[],num_array[j]表示序列的元素,max_array[i]表示以第i个元素结尾的序列中的最长下降子序列,初始化为1,对于一个max_array[i],遍历前面的每个元素j,如果num_array[j]> num_array[i]且max_array[j]>= max_array[i],那么max_array[j]就要加1,所以递推公式为:
if(num_array[i]<=num_array[j]&&max_array[i]<=max_array[j])
max_array[i]++;
最后选最大的一个max_array[i]就是最长下降子序列的个数。Java关键部分的代码:
for(int i=1;i<length;i++){
for(int j=0;j<i;j++){
if(num_array[i]<=num_array[j]&&max_array[i]<=max_array[j])
max_array[i]++;
}
max_value = (max_array[i]>max_value)?max_array[i]:max_value;
}
max_value是最后的结果。
带有详细注释的代码可以在http://download.csdn.net/user/china8848/获得
Pku acm 2533 Longest Ordered Subsequence 动态规划题目总结(十二)
http://acm.pku.edu.cn/JudgeOnline/problem?id=2533
这个题目和1887 Testing the CATCHER一模一样,没有什么值得说的,关键的c代码如下:
<