动态规划基础 第一章

### 引入-硬币问题
你有无限多的硬币，面值为 **1,5,10,20,50,100** ，现在有一个待付款金额 **v** ,请问你**最少**要用多少枚硬币才能凑出金额

显然，对于这个问题，我们硬币的面值和我们人民币的面值是**一样的**，根据我们的生活经验，我们需要尽量用面值大的，面值大的无法满足了再用面值较小的，即一个贪心做法

例如：**w=6x100+1x50+1x10+1x5+1x1**

然而，这样做一定是最优的吗？

考虑一组新的硬币面值，**1,5,11** 和一个新的 **w=15** ，按照我们刚刚的策略，我们会选用 **1x11+4x1** 这样的组合，一共使用五枚硬币完成我们的支付，然而，一个很显然的策略 **3x5** ，就可以只使用三枚硬币就完成我们的支付

这就是我们贪心策略的不足之处了，我们在选择面值为 **11** 的硬币的时候，并不知道我们在 **w=4** 的情况下需要四枚硬币才能完成我们的支付，只是**鼠目寸光**地尽可能降低我们支付的金额

那怎么样能避免我们贪心中的**鼠目寸光**呢？

强行枚举我们使用的硬币？复杂度是指数级的，在 **w** 较大的时候难以接受

我们观察一下性质，在 **w=15** 时，如果我们取了 **11** ，则我们需要面对 **w=4** 的情况,如果我们取了 **5** ，则我们需要面对 **w=10** 的情况，如果我们取了 **1** ,则我们需要面对 **w=14**

记凑出 **w** 需要的最少的硬币数量为 f(w) ，我们把上述三种情况的方程写下来
```
三种情况：
f(w)=f(w-1)+1
f(w)=f(w-5)+1
f(w)=f(w-11)+1
```
其中，后面的 **+1** 代表我们增加了一枚硬币

很显然可以看出，**f(w)** 只与 **f(w-1)**, **f(w-5)**, **f(w-11)** 有关，在这三者中，由于我们要**最小化**,硬币的数量，因此，我们得到 **f(w)=min{f(w-1),f(w-5),f(w-11)}+1** 

推广到硬币面值为 **a1,a2,a3,...,an** 的场景， **f(w)=min{f(w-ai)}+1** 

这个做法和贪心的区别在于，贪心会选择当前能够接受的，面值最大的硬币，而我们现在的做法，则会对**选用所有硬币**的方案都进行比较，在里面找出最优解

可以看出，求解 **f(w-ai)** 和求解，**f(w)=min{f(w-ai)}+1** 的过程是一模一样的，不过 **f(w-ai)** 问题的规模更小，这个时候，我们称 **f(w-ai)** 为 **f(w)** 的**子问题**

上述问题的求解方法，就是我们常说的**动态规划**

---
### 正题-动态规划（DP, Dynamic Programming）

动态规划，就是将一个问题拆成几个子问题，分别求解这些子问题，即可推断出大问题的解。那么，在什么情况下，我们可以使用动态规划进行问题的求解呢？

#### 无后效性
- 已经求解的子问题，不会再受到后续决策的影响

  例如上题中，一旦 **f(n)** 确定，我们如何凑出 **f(n)** 就再也用不着考虑了

  要求出 **f(15)**，只需要知道 **f(14),f(10),f(4)** 的值，而 **f(14),f(10),f(4)** 是如何算出来的，对之后的问题没有影响。未来与过去无关，这就是**无后效性**。

  其严格定义是：如果给定某一阶段的状态，则在这一阶段以后过程的发展不受这阶段以前各段状态的影响

#### 最优子结构
- 大问题的最优解可以由小问题的最优解推出 

  例如上题中，我们对 **f(n)** 的定义是，凑出 **n** 需要的最少的硬币数量，在定义中，我们已经蕴含了**最优**

#### (可选)子问题重叠
- 如果有大量的重叠子问题，我们可以用空间将这些子问题的解存储下来，避免重复求解相同的子问题，从而提升效率。

    例如在上题中，我们可以把 **f(10)** 的值存下来，以供求解 **f(11),(15),(21)** 的时候使用，这样就不用多次求解 **f(10)**
  
---
### 应用-DAG最短路
给定一个城市的地图，所有的道路都是单行道，而且不会构成环。每条道路都有过路费，求从 **S** 点到 **T** 点花费的最少费用。
思考：能不能使用动态规划求解？

记 **S** 点到某个点 **P** 的最少费用为 **f(P)**

想要到达点 **T** ,要么经过点 **C** ,要么经过点 **D**，
所以：
```
    f(T)=min(f(c)+20,f(D)+10)
```
- 回过头看是否满足我们 **DP** 所要求的两个性质：
  1. 无后效性：对于某个点，一旦 **f(P)** 确定，以后就不关心怎么去的，且 **f(P)** 的确定不会对点 **P** 之前的点的 **f(X)** 有影响（如果有影响，则图中存在**环**，与题干中有向无环图的定义相悖）

  1. 最优子结构：对于点，我们当然只关心到的最小费用，即 **f(P)** ，并以此来解决之后的问题

- 这两个性质都满足，我们可以使用dp进行求解，状态我们已经设计出来了，而转移方程如下： 
```
    f(P)=min {f(R) + w(R->P)}
```
其中，**R** 为有路通到 **P** 的所有的点，**w(R->P)** 为 **R** 到 **P** 的过路费

- **DP为什么会很大程度上地优于搜索？**

  **DP** 枚举的是所有**有希望成为答案的解**，而搜索枚举的是**所有可能的解**，例如在上文的硬币问题中,
  **f(15)=2x5+5x1**就从来没有被考虑过，因为这不能从任意一个子问题 **f(4)**、**f(10)**、**f(14)** 转移过来
  
- **DP的核心**

    **尽可能缩小可能解的空间**
- **DP的操作过程**

  **大事化小，小事化了**
  
  将一个大问题转化成几个小问题；求解小问题；推出大问题的解
  
  一般来讲，我们在使用DP求解问题时，分为以下三个步骤：
  1. 将原问题划分为若干**阶段**，每个阶段对应若干个子问题，提取这些子问题的特征（称之为**状态**）
  1. 寻找每一个状态的可能**决策**，或者说是各状态间的相互转移方式（用数学的语言描述就是**状态转移方程**）
  1. 按顺序求解每一个阶段的问题
  ###
  - **以硬币问题为例**
  
      **状态**就是我们设计的，凑出 **w** 需要的最少的硬币数量 **f(w)**
   **转移方程**，或者说**决策**，就是我们在推广到硬币面值为 **a1 、a2、a3 ...an** 的场景时给出的方程 **f(w)=min { f(w-ai) }+1**
   
- 而按顺序求解问题时，我们一般希望，求解到某个 **f(w)** 时，它**所有的子问题**已经求解完毕，对于本题而
言，我们 **从小到大枚举 w** 即可保证解决该问题

----

## [B2064] [斐波那契数列](https://www.luogu.com.cn/problem/B2064)

  #### 题目描述

  斐波那契数列是指这样的数列：数列的第一个和第二个数都为 $1$，接下来每个数都等于前面 $2$ 个数之和。

  给出一个正整数 $a$，要求斐波那契数列中第 $a$ 个数是多少。

  #### 输入格式

  第 $1$ 行是测试数据的组数 $n$，后面跟着 $n$ 行输入。每组测试数据占 $1$ 行，包括一个正整数 $a$（$1 \le a \le 30$）。

  #### 输出格式

  输出有 $n$ 行，每行输出对应一个输入。输出应是一个正整数，为斐波那契数列中第 $a$ 个数的大小。

  #### Code
  ```
  #include <bits/stdc++.h>
  using namespace std;

  void work()
  {
      int n;
      cin >> n;
      int dp[n+10];
      dp[1]=dp[2]=1;
      for (int i=3;i<=n;i++)
      {
          dp[i]=dp[i-1]+dp[i-2];
      }
      cout << dp[i] << endl;
  }
  signed main()
  {
      int T;
      cin >> T;
      while (T--)
      {
          work();
      }
      return 0;
  }

  ```
  
  
---
## 传送门

[洛谷](https://www.luogu.com.cn/paste/l6dg6o84)