动态规划

4.1 背包问题

01背包

题目：给n个物品，每个物品有一个价值w[i]，都需要占用一定的空间v[i]，在总空间一定的情况下V，求最大的价值，物品不可拆分。

分析：状态用二维数组dp[i,j]表示，第一维表示到了第i个物品，第二维表示当前占了j空间的总价值。循环每个物品，然后遍历每个空间值，从dp[i,j]的转移就是： dp[i+1,j+v[i+1]]=max(dp[i+1,j+v[i+1]],dp[i,j]+w[i+1])。

二维数组表示状态理解了，然后理解为什么可以用一维数组表示状态。在二维的转移的过程中，我们会发现，后更新的空间值一定大于前更新的，这样的话，如果从后往前更新也是可以的，而且不会影响到前面，那么更新的状态和未更新的状态就可以合并到一个维度上。对于一维状态，从后往前转移，这样保证后面的转移不会影响到前面的结果，从而节省了一维的空间，时间复杂度不变。

核心代码：  for (i=1; i<=N; i++){   for (v = V; v>=v[i]; v--){    dp[v] = max ( dp[v], dp[v-v[i]] + w[i] );         }  }  

例题：http://poj.org/problem?id=3628

[编辑] 完全背包问题

题目：条件与01背包基本相同，不同的是，每个物品的个数是没有限制的。

分析：虽然个数没有限制，但是背包的容量是有限制的，所以个数还是有限制的。这样的话，就可以化为01背包，就是否取1个，是否取2个，这样做的话，时间复杂度会很高。按照01背包更新，我们会发现i个物品的状态都可以从i-1个物品更新出来，就是说我们会重复更新很多次。

由于个数没有限制，如果我们从空间从小到大循环，即本次循环更新的状态，到后面的更新仍然可以用，一个物品就可以被更新多次，这样就可以保证个数的不受限制。理解与01背包的不同，为什么两者循环的顺序不同。

核心代码：  for ( i=1; i<=N; i++){   for (v=0; v<=V-cost[i]; v++){   dp[v+v[i]] = max( dp[v+v[i]], dp[v]+w[i] );         }  }  

例题：http://poj.org/problem?id=2063

[编辑] 多重背包问题

题目：其他与上题相同，每个物品的数量固定num[i]。

分析：这样的话，我们最简单的方法就是把多个物品拆成01背包去做，但是时间会很多。每个物品的个数是固定的，也就是说我们要用的个数肯定是小于等于该个数的，如果我们可以把个数拆解，但可以组合成任意的个数，就可以满足条件。那么二进制拆解肯定是可行的了。掌握O(V*∑log n[i])复杂的解法，单调队列解法有余力的同学掌握。

伪代码：  For i=1…N{   For j=0…ceiling of log2(num[i]){    If num[i]<2^j     tmpNum=num[i]-2^(j-1)    else tmpNum=2^j    For v=V…0     Dp[v]=max(Dp[v-v[i]*tmpNum],dp[v]+tmpNum*w[i])   }  }  

例题：http://poj.org/problem?id=1276

[编辑] 混合三种背包问题

题目：当物品的个数可能是1个，或者多个，或者无限制，求最大的价值。

分析：就是说物品个数可能固定，也可能不固定的情况。在每一次更新的时候，按照上述三种去做，就可以得到答案。理解三种的基础上，第四种就可以迎刃而解。

伪代码：将前三种背包的第二层循环进行组合。

例题http://acm.hdu.edu.cn/showproblem.php?pid=3535

[编辑] 二维费用的背包问题

题目：物品不但有空间，而且有花费cost[i]，而总的钱的数量是固定的S。

分析：为了方便，我们假设每个物品只有一个，其他情况类似。如果每个物品不仅有占用空间，而且也有花费。这样费用增加了一维，状态对应增加一维，转移对应进行改变即可。Dp[i][j]表示空间为i，花费为j时的最大价值。

伪代码：  For i=1…N   For v=V…0    For s=S…0     Dp[v][s]=max(Dp[v][s],dp[v-v[i]][s-cost[i]]+w[i])   

[编辑] 分组背包问题

题目：有N组物品，第i组有group[i]个物品，第i组第j个物品的空间为v[i][j],价值为w[i][j],每组的物品只能取一个，给定背包的容量为N，求最大的价值。

分析：物品被分为多个组，但是呢，每个组里面的物品只能取一个。对于每个物品，要么取，要么不取。在01背包中，如果两层循环对换则表示，所有物品只有一个，而且只能取一类物品。那么对于多组物品，只需加上最外层加上组就可以了。

伪代码：  For g=1…N   For v=V…0    For i=1…group[g]     Dp[v]=max(dp[v],dp[v-v[g][i]]+w[g][i])  

[编辑] 有依赖的背包

题目：要选一个物品，必须选另一个物品，又可以被其他物品依赖，但是一个物品不会依赖多个物品，而且不会出现循环依赖的情况。

分析：物品间的依赖组成了一个森林，我们先讨论一棵树的情况。我们从叶子开始进行dp，要么选要么不选，dp值表示该容量下的最大价值，这就是一个树形dp。最后一棵树就可以看成许多个不同容量，不同价值的互斥的一个物品组，多棵树就回到了第六讲的情况。

[编辑] 泛化物品

题目：物品的价值随分配的容量变化而变化，这样对于一个物品，它的消耗和价值不一定再是线性关系。

分析：对于每个物品，我们抽象为V个物品，V为背包的容量，每个物品都有一个价值，这样就编程了分组背包问题。问题迎刃而解。从这个问题，可以看出，复杂背包基本上都可以转变为基本背包问题，理解最基本背包问题是根本。

[编辑] 背包问题问法的变化

背包问题，有很多种问法。比如说恰好多少个物品，也就是费用增加个数这一维，费用由很多种问法。还有可能要求输入方案，或者按字典序最小的方案，这都是可能的。只要能理解了背包问题的本质，只需要少许变形即可得到答案。

[编辑] 总结

总结，背包问题是动态规划很经典的一个问题，在学习的过程中，要仔细体会其中用到的动态规划思想。而且在学习的过程，要学会灵活运用几种背包问题，解决混合的背包问题。背包问题有的时候会和其他的题目进行结合，例如在树形dp中，每次更新要用背包去更新，这样增加了背包问题的隐蔽性。所以，理解并掌握最基本的几种背包，加上灵活应用，就可以应对几乎所有的背包题目。

4.2 树形动态规划

知识讲解

动态动态规划，又称树形dp，顾名思义，就是在树上去做动态规划。理解起来比较容易，一棵树，从跟到叶子动态规划或者从叶子到根动态规划，有的两者都需要，而且满足最优子结构。这类动态规划，也是从状态表示，状态转移来做文章。找到合适的状态和合适的转移，用合适的复杂度去解决问题。

[编辑] 例题分析一

例题分析（http://poj.org/problem?id=1947）

题目大意：给一棵节点数为n的树，求最少去掉几条边可以得到一棵节点数为m的子树。n不大于150。

题目分析： 解答树形dp题目的思路，一般都是从根开始，递归进行处理，到叶子后返回。我们要得到一棵节点数为m的子树，而要求去掉最少的边数。那么我们不妨这样设计状态，dp[i][j]表示以i为根的子树形成一个节点数为j需要切割多少边。对于叶子节点，只有一种情况，即子树节点为1，而所需删除边的个数为0。对于非叶子节点，对于每一个儿子，遍历它的可以形成的子树大小，增加到每一个该节点可形成子树的大小上。对于答案，如果节点不是根，需要将该节点与父亲节点分开，即答案加1。

经验之谈: 树形dp有很多经典题目，自认为每一种都要做。树形dp一般都需要写递归，对代码能力是一个历练。

[编辑] 例题分析二

题目大意：给一个节点数为n（n<=200000）的树，从树的节点中选取3个点X，Y，Z，X到Y的距离不大于X到Z的距离，求X到Y和Y到Z距离之和的最大值。分析：节点数很大，显然n^2的枚举是不可行的，只有O（n）的算法才可行。那么我们尝试去枚举X，Y，Z中的任何一个点，它们都不会对另外两个点同时产生影响，必须再枚举，所以是不可行的。我们想一下X到Y，Y到Z的路径，有一个中间节点A，而距离可以转化为2|AY|+|AX|+|AZ|，其中|AY|<=|AZ|，这样为了求这个最大值，只需求A点到其他点3个最大值，而且，X，Y，Z不在A的同一棵子树上，其中X点可以与A点重合。

这样的话，我们就拿随便一个点为根，求出每个节点到子树叶子节点的最大的三个值，这样就可以处理每个节点为A时，X，Y，Z都为A的后代的情况。然后开始处理有一个不为A的后代节点时的情况。对于这种情况，我们只需在深度遍历时，再取父亲节点的最大距离加上父亲到自己的距离，但是这个最大距离可能就在A这棵子树上得到的，所以要记录最大值是从哪一个子树上得到的，这样的话，当每次去取父亲节点最大值时，如果是A这棵字数上取到的，则取次大值，否则取最大值。[5]

题目到这里就可以得到答案。从上述题目可以看出：题目需要找到一个切入点，例如题目中A点的选择；找到切入点之后，转换一个可解的模型；最后两边遍历，在遍历的过程中，需要用到前面的结果。不得不说，这道题目需要我们发挥我们的创造思维才能解决，当然两边遍历并记录最大值来源的这种方法和技巧，需要我们有经验去支撑。