算法课8-Dynamic Programming⭐️

动态规划是常考算法，将指数级的问题降到多项式级别。

动态规划和分治法都是将问题划分成子问题进行求解，它们的区别主要是：

• 分治法的子问题无重叠
• 动态规划的子问题有重叠，并且重叠的个数是指数级别的

动态规划和贪心法的相同之处是原问题包含子问题的最优解，而它们的区别在于：

• 贪心法只看局部最优，最终达到全局最优
• 对于动态规划局部最优不一定是全局最优

---

1. Weighted interval scheduling
带权重的最大兼容子集，不能用贪心法进行求解，需要考虑动态规划的解法。首先将活动按照结束时间排序。两种情况，一种是选当前的j，那么最优解等于从后往前找第一个与j不冲突的活动(使用二分查找加快速度)的opt加上j的权重，一种是不选j，那么最优解等于j的前一个活动的最优解。如下式：
o p t ( j ) = m a x { v j + o p t ( p ( j ) ) , o p t ( j − 1 ) } opt(j)=max\{v_j+opt(p(j)),opt(j-1)\} opt(j)=max{ vj​+opt(p(j)),opt(j−1)}
ps.若按照开始时间排序，要反过来找，那么opt(i)可以定义为，i~n个活动,p(i)是从前往后找第一个不冲突的活动。opt(n+1)=0,return opt(1)。
o p t ( i ) = m a x { v i + o p t ( p ( i ) ) , o p t ( i + 1 ) } opt(i)=max\{v_i+opt(p(i)),opt(i+1)\} opt(i)=max{ vi​+opt(p(i)),opt(i+1)}

2. Segmented least squares
线段拟合点集问题，希望线段尽量少，error尽量小。
error定义为E+cL ，E是平方误差之和，L是线段条数。
opt(j) 是$p_1...p_j$的最小error，e(i,j)是$p_i,p_{i+1}...p_j$的最小平方误差
o p t ( j ) = min ⁡ 1 ≤ i ≤ j { e i j + c + o p t ( i − 1 ) } opt(j)=\min \limits_{1\leq i\leq j}\{e_{ij}+c+opt(i-1)\} opt(j)=1≤i≤jmin​{ eij​+c+opt(i−1)}
这个算法的瓶颈在于计算$e_{ij}$，对j要扫一遍，j固定了，i要扫一遍，i固定了，在i j之间要扫一遍， 使得算法的效率是$O(n^3)$.

3. 买卖股票系列

• 只能买卖一次
  Best Time to Buy and Sell a Stock
  f(j):第j次卖出的最优解, f(1)=0, return $\underset{1\le j\le n}{\max }(f(j))$ ,两种情况，第一种是当天卖出，第二种是前j-1天买入，第j天卖出，第二种情况和第j-1天卖出的区别就是第j天的价格减去第j-1天的价格。
  $$f(j)=max(0,f(j-1)+p_j-p_{j-1})$$
  一个直观的想法是说维护到目前为止价格的最低点，用上一行减去下一行即可得到最大利润。

5	2	7	13	1	9
5	2	2	2	1	1

这道题还可以用分治法做，详见上一篇博文。

• 买卖两次
  Best Time to Buy and Sell Stock III
  设置两个dp数组，$f_1(i)$是第i天第一次卖出最大收益，$f_2(i)$是第i天第二次卖出最大收益。
  思路1：
  $g_1(j)=\underset{1\le i\le j}{\max }{f}_1(i)$ 即为前j天的最大收益
  f 2 ( j ) = max ⁡ 1 ≤ i ≤ j { p j − p i + g 1 ( i − 1 ) } f_2(j)=\max\limits_{1\leq i \leq j}\{p_j-p_i+g_1(i-1)\} f2​(j)=1≤i≤jmax​{ pj​−pi​+g1​(i−1)}
  时间