动态规划概述（1）

动态规划算法通常用于求解具有某种最优性质的问题。在这类问题中，可能会有许多可行解。每一个解都对应于一个值，我们希望找到具有最优解的解。动态规划算法与分治法类似，其基本思想也是将待求解问题分解成若干个子问题，先求解子问题，然后从这些子问题的解得到原问题的解。与分治法不同的是，适合于用动态规划求解的问题，经分解得到子问题往往不是互相独立的。若用分治法来解这类问题，则分解得到的子问题数目太多，有些子问题被重复计算了很多次。如果我们能够保存已解决的子问题的答案，而在需要时再找出已求得的答案，这样就可以避免大量的重复计算，节省时间。我们可以用一个表来记录所有已解的子问题的答案。不管该子问题以后是否被用到，只要它被计算过，就将其结果填入表中。这就是动态规划法的基本思路。具体的动态规划算法多种多样，但它们具有相同的填表格式。

还有几个重要的名词：

1.无后效性，可能很多不懂的小伙伴会在这里直接崩溃其实很简单，举个生活中不存在的例子：假设你现在在干活，而这时有一个人穿越到了过去，把你刚刚犁的田都踩了一遍，但是对你来说没有影响，因为你的菜已经丰收了，所以你就可以不去收拾那个恶搞的人了。这不恰当的例子看懂的可以直接看下一名词。没看太懂的呢可以看看术语性的定义：在进行动态规划的过程中的任何一步，都是对前面的总结。计算过去的步骤都是无效的，是不需要考虑的，但是是正确的，是向正确的解靠拢的。这个就是后无效性。

2.最优子结构，这点学过算法的应该都知道吧，大致的意思就是一个大问题分成若干个小的子问题，当我们先去解决小问题的时候，为了使最终合并成的大问题最优，自己每一个都要达到一定的最优性特征。贪心的最优子结构比较简单，只需要管自己就行了，后面的不用担心自己就会变成最优结构，但动态规划每走一步都要考虑全局，所以有很多问题贪心拿不到满分，但dp能够解决。

下面开始：

弄个例子可能就明白了：

背包问题/最大子段和

背包问题：

题目传送门

题目描述：

一个旅行者有一个最多能装 MM 公斤的背包，现在有 nn 件物品，它们的重量分别是W1，W2，...,WnW1，W2，...,Wn,它们的价值分别为C1,C2,...,CnC1,C2,...,Cn，求旅行者能获得最大总价值。

【输入】

第一行：两个整数，MM(背包容量，M≤200M≤200)和NN(物品数量，N≤30N≤30)；

第2..N+12..N+1行：每行二个整数Wi，CiWi，Ci，表示每个物品的重量和价值。

【输出】

仅一行，一个数，表示最大总价值。

【输入样例】

10 4
2 1
3 3
4 5
7 9

【输出样例】

12

这道题想必应该都知道/会做/做过吧

所以就只提供思想啦（其实程序没几行，也黏上）

1) 把背包问题抽象化（X1，X2，…，Xn，其中 Xi 取0或1，表示第 i 个物品选或不选），Vi表示第 i 个物品的价值，Wi表示第 i 个物品的体积（重量）；

2) 建立模型，即求max(V1X1+V2X2+…+VnXn)；

3) 约束条件，W1X1+W2X2+…+WnXn<capacity；

3) 定义V(i,j)：当前背包容量 j，前 i 个物品最佳组合对应的价值；

4) 最优性原理是动态规划的基础，最优性原理是指“多阶段决策过程的最优决策序列具有这样的性质：不论初始状态和初始决策如何，对于前面决策所造成的某一状态而言，其后各阶段的决策序列必须构成最优策略”。判断该问题是否满足最优性原理，采用反证法证明：假设(X1，X2，…，Xn)是01背包问题的最优解，则有(X2，X3，…，Xn)是其子问题的最优解，假设（Y2，Y3，…，Yn)是上述问题的子问题最优解，则理应有(V2Y2+V3Y3+…+VnYn)+V1X1 > (V2X2+V3X3+…+VnXn)+V1X1；而(V2X2+V3X3+…+VnXn)+V1X1=(V1X1+V2X2+…+VnXn)，则有(V2Y2+V3Y3+…+VnYn)+V1X1 > (V1X1+V2X2+…+VnXn)；该式子说明(X1，Y2，Y3，…，Yn)才是该01背包问题的最优解，这与最开始的假设(X1，X2，…，Xn)是01背包问题的最优解相矛盾，故01背包问题满足最优性原理； 5) 寻找递推关系式，面对当前商品有两种可能性： 第一，包的容量比该商品体积小，装不下，此时的价值与前i-1个的价值是一样的，即V(i,j)=V(i-1,j) 第二，还有足够的容量可以装该商品，但装了也不一定达到当前最优价值，所以在装与不装之间选择最优的一个，即V(i,j)=max｛ V(i-1,j)，V(i-1,j-w(i))+v(i) ｝其中V(i-1,j)表示不装，V(i-1,j-w(i))+v(i) 表示装了第i个商品，背包容量减少w(i)但价值增加了v(i)； 由此可以得出递推关系式： 1) j<w(i)      V(i,j)=V(i-1,j) 2) j>=w(i)     V(i,j)=max｛ V(i-1,j)，V(i-1,j-w(i))+v(i) ｝ g) 填表，首先初始化边界条件，V(0,j)=V(i,0)=0；。

还有代码

#include<cstdio>
using namespace std;
const int maxm = 201, maxn = 31;
int m, n;
int w[maxn], c[maxn];
int f[maxn][maxm]; 
//求x和y最大值
int max(int x,int y) {return x>y?x:y;}
使用二维数组存储各子问题时方便，但当maxn和maxm较大时，如maxn、maxm=10000时不能定义
二维数组f，怎么办，其实可以用一维数组。
int main(){
    scanf("%d%d",&m, &n); //背包容量m和物品数量n
    for (int i = 1; i <= n; i++) //在初始化循环变量部分，定义一个变量并初始化
    scanf("%d%d",&w[i],&c[i]); //每个物品的重量和价值
    for (int i = 1; i <= n; i++) // f[i][v]表示前i件物品，总重量不超过v的最优价值
        for (int v = m; v > 0; v--)
            if (w[i] <= v) f[i][v] = max(f[i-1][v],f[i-1][v-w[i]]+c[i]);
            else f[i][v] = f[i-1][v];
    printf("%d",f[n][m]); // f[n][m]为最优解
    return 0;
}

有兴趣的可以改成一维的。

下面将另一道最最最单纯的dp题：最大子段和。

题目传送门

题目描述

给出一段序列，选出其中连续且非空的一段使得这段和最大。

输入格式

第一行是一个正整数NNN，表示了序列的长度。

第二行包含NNN个绝对值不大于100001000010000的整数AiA_iAi​，描述了这段序列。

输出格式

一个整数，为最大的子段和是多少。子段的最小长度为111。

输入输出样例

输入 #1复制

7
2 -4 3 -1 2 -4 3

输出 #1复制

4

说明/提示

【样例说明】

2,−4,3,−1,2,−4,32,-4,3,-1,2,-4,32,−4,3,−1,2,−4,3中，最大的子段和为4，该子段为3,−1,23,-1,23,−1,2.

【数据规模与约定】

对于40%40\%40%的数据，有N≤2000N ≤ 2000N≤2000。

对于100%100\%100%的数据，有N≤200000N ≤ 200000N≤200000

解法：

首先，通过题意，我们可以了解到：

f[i]=max(f[i-1]+n[i],n[i])

但是！

f[n]的值并不一定是最终结果

比如这个输入：(Hack and 78)

5 233 233 -666 1 1

如果直接输出f[n]的值，结果会是2，但是答案应该为466！

为什么？

因为若f[i]的值为负数，则f[i+1]的值就是n[i],而n[i]的值不一定比前面的最大字段和数大！

（或者n[i]为负数，则f[i]小于f[i-1]!)

所以，我们还要再用一个数从1到n再查找一次，才能找出最大数！！！

and code:

#include<bits/stdc++.h>
using namespace std;
int main()
{
    int n[200001],p,ans[200001]={0};
    int sum=-9999999;//|x|<=10000   QWQ
    cin>>p;
    for(int i=1;i<=p;i++)
    {
        cin>>n[i];//输入
        ans[i]=max(ans[i-1]+n[i],n[i]);//DP
        sum=max(sum,ans[i]);//取最大值也同时进行，节约时间
    }
    cout<<sum;//直接输出
    return 0;
}

那么动态规划基础就完毕啦，还有提供两个题库（应该都知道）

就是上面两个题目的题目传送门

886