[动态规划]第一章

最新推荐文章于 2024-11-09 21:51:15 发布

1000t啊

最新推荐文章于 2024-11-09 21:51:15 发布

阅读量1.3k

点赞数 43

分类专栏：个人笔记文章标签：动态规划算法

本文链接：https://blog.csdn.net/weixin_42238183/article/details/139027098

版权

个人笔记专栏收录该内容

1 篇文章 0 订阅

订阅专栏

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§

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§ 确定，以后就不关心怎么去的，且 f§ 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）
2. 最优子结构：对于点，我们当然只关心到的最小费用，即 f§ ，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）
2. 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）
3. 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

练习题

[B2064] 斐波那契数列

传送门

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 $a$ （ $\le a \le 30$ ）。

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;
}