动态规划的通用解法和案例

两大要素

• 最优子结构 (optimal substructure)
  • 一个问题的最优解包括它自问子问题的最优解
• 重叠子问题 (overlapping subproblems)
  • 如使用递归算法，则某些子问题被反复访问

四个步骤

1. Characterize the structure of an optimal solution. # 确定解的结构
2. Recursively define the value of an optimal solution. # 写出递归关系
3. Compute the value of an optimal solution, typically in a bottom-up fashion. # 自底向上实现
4. （Construct an optimal solution from computed information. ）

案例

奇偶/正负问题

这类问题会给一个数组，要求返回与和为奇（偶）数/积为正（负）数有关的子数组相关的一些性质（数目，长度等），本质上是状态数为2的动态规划问题

1524. Number of Sub-arrays With Odd Sum

这道题的目的是找出所有和为奇数的子数组的数目。思路是找到递归关系：

• 对于位置 $i$ ，如果 $arr[i]$ 是奇数，则以 $arr[i]$ 结尾的和为奇数的数组数目等于以 $arr[i-1]$ 结尾的和为偶数的数组数目 $+1$ （$arr[i]$ 本身也是一个子数组）；以 $arr[i]$ 结尾的和为偶数的数组数目等于以 $arr[i-1]$ 结尾的和为奇数的数组数目。反之亦然

示例代码：

def numOfSubarrays(self, arr: List[int]) -> int:
    
    if not arr:
        return 0
    
    even = 0
    odd = 0
    res = 0
    
    for x in arr:
        
        if x % 2 == 0:
            even, odd = even + 1, odd
        else:
            even, odd = odd, even + 1
            
        res += odd
        
    return res % (10**9+7)

1567. Maximum Length of Subarray With Positive Product

这道题的目的是返回最长的积为正数的子数组的长度。思路同样是从递归关系入手

示例代码

def getMaxLen(self, nums: List[int]) -> int:
	pos = 0
	neg = 0
	res = 0
	
	for num in nums:
		if num == 0:
			pos = 0
			neg = 0
		elif num > 0:
			pos += 1
			neg = neg + 1 if neg else 0
		else:
			if neg == 0:
				pos, neg = 0, pos + 1
			else:
				pos, neg = neg + 1, pos + 1
		res = max(res, pos)
		
	return res

二维DP

1143. Longest Common Subsequence

1. 确定最优子结构
   定义序列 $X=⟨x_1,x_2,\cdots ,x_m⟩，Y=⟨y_1,y_2,\cdots ,y_n⟩$，$X,Y$有最长公共子序列$Z=⟨z_1,z_2,\cdots ,z_k⟩$.

   • 如果 $x_m=y_n$，那么 $z_k=x_m=y_n$ 并且 $Z_{k-1}$ 是 $X_{m-1}$ 和 $Y_{n-1}$ 的LCS.
   • 如果 $x_m\ne y_n$， 那么 $Z$ 是 $X_{m-1}$ 和 $Y_n$ 或 $X_m$ 和 $Y_{n-1}$ 的LCS.

2. 写出递归解
   定义 $c[i,j]$ 为 $X_i$ 和 $Y_j$ 的LCS长度.

• if $i=0$ or $j=0$
  • $c[i,j]=0$
• else if $x_i=y_j$
  • $c[i,j]=c[i-1,j-1]+1$
• else
  • $c[i,j]$ =max$(c[i,j-1],c[i-1,j])$