程序设计与算法（二）算法基础-郭炜 6.4.1动态规划的一般思路 && 例题.最长公共子序列

递归到动规的一般转化方法
递归函数有n个参数，就定义一个n维的数组，数组的下标是递归函数参数的取值范围，数组元素的值是递归函数的返回值，这样就可以从边界值开始，逐步填充数组，相当于计算递归函数值的逆过程。
动规解题的一般思路
1.将原问题分解为子问题
·把原问题分解为若干个子问题，子问题和原问题形式相同
或类似，只不过规模变小了。子问题都解决，原问题即解决(数字三角形例）。
·子问题的解一旦求出就会被保存，所以每个子问题只需求
解一次。
2.确定状态
所有“状态”的集合，构成问题的“状态空间“。而”状态空间”的大小，与用动态规划解决问题的时间复杂度直接相关。在数字三角形的例子里，一共有N×(N+1)/2个数字，所以这个问题的状态空间里一共就有N×(N+1)/2个状态。
整个问题的时间复杂度是状态数目乘以计算每个状态所需时间。
在数字三角形里每个“状态”只需要经过一次，且在每个状态上作计算所花的时间都是和N无关的常数。
用动态规划解题，经常碰到的情况是，K个整型变量能构成一个状态（如数字三角形中的行号和列号这两个变量构成“状态”）。如果这K个整型变量的取值范围分别是N1，N2，…Nk，那么，我们就可以用一个K维的数组array[N1] [N2]…[Nk]来存储各个状态的“值”。这个“值”未必就是一个整数或浮点数，可能是需要一个结构才能表示的，那么array就可以是一个结构数组。一个“状态”下的“值”通常会是一个或多个子问题的解。
3.确定一些初始状态(边界状态）的值
以“数字三角形”为例，初始状态就是底边数字，值就是底边数字值。
4.确定状态转移方程
定义出什么是“状态”，以及在该“状态”下的“值”后，就要找出不同的状态之间如何迁移——即如何从一个或多个“值”已知的“状态”，求出另一个“状态”的“值”(“人人为我”递推型)。状态的迁移可以用递推公式表示，此递推公式也可被称作“状态转移方程”。
数字三角形的状态转移方程:
$$MaxSum[r][j]=\{\begin{array}{ll}D[r][j]& r=N\\ Max(MaxSum[r+1][j],MaxSum[r+1][j+1])+D[r][j]& 其他情况\end{array}$$
能用动规解决的问题的特点
1)问题具有最优子结构性质。如果问题的最优解所包含的
子问题的解也是最优的，我们就称该问题具有最优子结构性质。
2)无后效性。当前的若干个状态值一旦确定，则此后过程的演变就只和这若干个状态的值有关，和之前是采取哪种手段或经过哪条路径演变到当前的这若干个状态，没有关系。
例题二:最长上升子序列
问题描述
一个数的序列ai，当a₁< a₂< … < a_s的时候，我们称这个序列是上升的。对于给定的一个序列(a₁，a₂，…， a_N)，我们可以得到一些上升的子序列(a_i1，a_i2，…，a_iK)，这里1<= i1 <i2 < … < iK<= N。比如，对于序列(1，7，3，5，9，4，8)，有它的一些上升子序列，如(1，7)，(3，4，8)等等。这些子序列中最长s的长度是4，比如子序列(1，3，5，8).
你的任务，就是对于给定的序列，求出最长上升子序列的长度。
输入数据
输入的第一行是序列的长度N (1<= N<= 1000)。第二行给出序列中的N个整数，这些整数的取值范围都在0到10000。
输出要求
最长上升子序列的长度。输入样例
7
1 7 3 5 9 4 8
输出样例
4
解题思路
1.找子问题
“求序列的前n个元素的最长上升子序列的长度”是个子问题，但这样分解子问题，不具有“无后效性”
假设F(n)= x,但可能有多个序列满足F(n)= x。有的序列的最后一个元素比 a_n+1小，则加上a_n+1就能形成更长上升子序列;有的序列最后一个元素不比a_n+1小……以后的事情受如何达到状态n的影响，不符合“无后效性”
“求以a_k(k=1，2，3…N)为终点的最长上升子序列的长度”
一个上升子序列中最右边的那个数，称为该子序列的“终点”。
虽然这个子问题和原问题形式上并不完全一样，但是只要这N个子问题都解决了，那么这N个子问题的解中，最大的那个就是整个问题的解。
2．确定状态
子问题只和一个变量–数字的位置相关。因此序列中数的位置k 就是“状态”，而状态k 对应的“值”，就是以a_k做为“终点”的最长上升子序列的长度。
状态一共有N个。
3.找出状态转移方程
maxLen (k)表示以a_k做为“终点”的最长上升子序列的长度那么:
初始状态:maxLen (1) = 1
maxLen (k) = max { maxLen (i): 1<=i< k 且 a_i< a_k且 k≠1 } + 1
若找不到这样的i，则maxLen(k)= 1
maxLen(k)的值，就是在a_k左边，“终点”数值小于a_k，且长度最大的那个上升子序列的长度再加1。因为a_k左边任何“终点”小于a_k的子序列，加上a_k后就能形成一个更长的上升子序列。

#include <iostream>
#include <cstring>
#include <algorithm>
using namespace std;

const int MAXN = 1010;
int a[MAXN];
int maxLen[MAXN];
 

int main() 
{
	int N;
	cin >> N;
	for(int i = 1;i <= N;i++)
	{
		cin >> a[i];
		maxLen[i] = 1;
	}
	for(int i = 2;i <= N;i++)
	{//每次求以第i个数为终点的最长上升子序列的长度 
		for(int j = 1;j < i;j++)
		{//察看以第j个数为终点的最长上升子序列
			if(a[i] > a[j])
				maxLen[i] = max(maxLen[i],maxLen[j] + 1); 
		} 
	}
	cout << * max_element(maxLen + 1,maxLen + N + 1);
	return 0;
}