动态规划深度理解

最新推荐文章于 2022-01-12 00:12:40 发布

温和scar

最新推荐文章于 2022-01-12 00:12:40 发布

阅读量201

点赞数

分类专栏：算法文章标签：算法

本文链接：https://blog.csdn.net/weixin_42686335/article/details/105037426

版权

算法专栏收录该内容

10 篇文章 0 订阅

订阅专栏

前言：
动态规划一定是记录状态的！
就是说你分析过程中可能会多次用到某些状态的信息，
那么动态规划是花一定空间去记录好这些状态，避免每次用到时都需要多次去计算相关信息。

常见情况比如：
一维的字符串，
可以建立一个二维的动态规划空间，
记录相关的信息。

动态规划的三个关键点：

名词定义：
**扩展临界点：**结构k 扩展到结构k+1 时候，通过增加值value[i][j] (也有可能是value[i]或者value[j] ) ，结构k的问题区域变成结构k+1 的问题区域。我们把
value[i][j] 或者 value[i]或者value[j] 称为扩展临界点。

要能够清晰的分辨两个主体 A B
或者多个主体，但一般是 A+C 统一考虑，等同于B
要能通过准确分辨 原子结构，（如字符串的每个字符都是原子结构）
准确定义 不完全结构 （如字符串中的一部分字串）

初始条件
状态转移方程（dp[i+1][j+1]
大多数情况都是与dp[i][j]建立联系，
其次是dp[i+1][j]和dp[i][j+1]）
还有可能是 dp[xx][j],其中xx=0，1，2，3，4，5，6…
也还有可能是 dp[i][jxx],其中xx=0，1，2，3，4，5，6…

有时候要求 dp[i+1][j+1] ，但是情况很麻烦，可能最优值包含扩展临界点，也有可能不包含扩展临界点。这时候我们可以尝试强制包含扩展临界点，然后求最优解，而每次扩展的最优解从之前的所有的最优解中找最好的就行。
难一点，就是每次扩展的最优解从之前的所有的满足一定条件的最优解中找最好的就行，
也就是 二次寻最优。

本质上，最优值包含扩展临界点，也有可能不包含扩展临界点的情况无非就是要么包含，要么不包含两种情况.
那么就求出包含的（其实求包含情况时，经常也需要借助之前的子结构最优解），
然后不包含的其实就是子结构的最优解。
那么求子结构的最优解的时候同样可以分解为包含不包含，一直分解到第一种情况，其实整个过程就是求每一次扩展时都包含临界点，然后每次求最优解的时候，从前面所有的最优解中二次寻最优而已。

**核爆炸：状态转移方程可能的情况：
**

状态转移方程1：

F [ i ] = max { F [ j ] + 1 ，F [ i ] } (1 <= j < i，A[ j ] < A[ i ])
（最长上升子序列问题）
https://blog.csdn.net/lxt_Lucia/article/details/81206439?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task

状态转移方程2：

dp[i][j] = max(dp[i-1][j], dp[i][j-1],dp[i-1][j-1] + (A[i]==B[j] ? 1 : 0))，
（最长公共子序列问题）
https://blog.csdn.net/lxt_lucia/article/details/81209962

此题的切入点就是动态规划，通过动归来确定哪些字符是最长公共子序列中的字符，mat[i][j] 表示第一个序列的前i个字符和第二个序列的前j个字符的公共子序列，动态转移方程为：

dp[i][j] = max(dp[i-1][j], dp[i][j-1],dp[i-1][j-1] + (A[i]==B[j] ? 1 : 0))，表示在这三种状态中取到最大值，

（1）第一种状态表示不录入第一个序列的第i个字符时的最长公共子序列，

（2）第二种状态表示不录入第二个序列的第j个字符时的最长公共子序列，

（3）第三种状态表示第一个序列的前i-1个字符与第二个序列前j-1个字符的公共子序列加上最后一个字符的录入状态，如果最后的一个字符相等则录入状态为1，否则为0。

状态转移方程3：

product(p,q)=max{product(x,q-1)*number(x+1,p)}
(1<=x<=p-1)
（最大k乘问题）
https://blog.csdn.net/Azkkkkk/article/details/88851067
令number(i,j)表示第i位到第j位整数组成的(j-i+1)位整数；
令product(p,q)表示前p位整数被划分为q段所得到的最大乘积；
[若划分段数大于整数位数，则结果为0]

初始子问题：(q=1时)
product(p,1)=number(1,p)
无论多少位整数，被划分为一段，其最大k乘积均为其本身。
下一阶段子问题：(q>1且q<=p时)
product(p,q)=max{product(x,q-1)*number(x+1,p)}
(1<=x<=p-1)
p为整数分为q段，分别求出前x位这个数分为q-1段所得最大乘积与余下数段的乘积，选择合适的数据结构记录，然后进行比较，最大的结果即为product(p,q)。

状态转移方程4：

grid[i][j] += min(grid[i - 1][j], grid[i][j - 1]);
（矩阵最小路径问题）
https://blog.csdn.net/hang404/article/details/85279268
给定一个包含非负整数的 m x n 网格，请找出一条从左上角到右下角的路径，使得路径上的数字总和为最小。每次只能向下或者向右移动一步。

每个位置存储到达当前位置(i, j)的最小路径和，(i - 1, j)和(i, j - 1)都可到达该位置，所以位置(i, j)的路径和等于(i - 1, j)和(i, j - 1)中较小路径和与当前位置数值的和。

核爆：每次只能从(i - 1, j)或者(i, j - 1) 到达（i，j）因此（i，j）的最大值只能是这其中之一加上当前点的值
所以不用考虑那一整行或者一整列。因为最大以(i - 1, j) 为一个顶点的矩形就足以能够包含之前的任何一个。（i, j - 1) 也一样。

状态转移方程5：
if (s1.charAt(i-1) == s2.charAt(j-1))
dp[i][j] = dp[i - 1][j - 1];
else
dp[i][j] = min(
dp[i - 1][j] + 1,
dp[i][j - 1] + 1,
dp[i-1][j-1] + 1
);
（编辑距离问题）
一个字符串通过删除，增加，替换一些字母，使得这个字符串变成另一个字符串。
https://zhuanlan.zhihu.com/p/80682302

状态转移方程6：

状态转移方程7：

状态转移方程8：

难点，注意点：
有时候 dp[i+1][j+1] 的最优区域可能包含value[i+1][j+1] 这个值，也可能不包含value[i+1][j+1]这个值。
但是如果前面就是多原子扩展增量（看后面名词解释）这种情况的话，情况可能会很复杂，这时候我们可以先假设 dp[i+1][j+1] 的最优区域包含value[i+1][j+1] 这个值，然后在 dp[xx][j+1] (其中xx=0，1，2，3…)中或者dp[i+1] [xx] (其中xx=0，1，2，3…)找中找最优值，即可作为 dp[i+1][j+1]的最优值。
其实也可以这么理解，就是有时候 dp[i+1][j+1] 的最优区域可能包含value[i+1][j+1] 这个值，也可能不包含value[i+1][j+1]这个值的这种情况，他无非就是 1包含，2不包含这两种情况。显然不包含的肯定存在于前面求出的 dp[i+1][j+1] 之前的那些值中。现在直接求出包含的情况，然后在包含和不包含之中遍历一次，找到最优的那个解就行。

所以遇到任何情况，比如可能包含很多可能的情况，一定不能感觉一团糟，
只需要转换一下思想，以某个点（数据）为零界点，
那么问题就会变成包含这点和不包含这点这两种情况了。
然后包含的就很好求。不包含的其实就是可以分解为之前的情况里最好的一种，然后如此循环，每一种不包含的其实都是可以在之前的中找到。那么就可以从第一种，顺次求出来。

同时，dp[i+1][j+1] 可能包含，可能不包含 l扩展临界点 value[i][j] (扩展临界点也有可能是value[i]或者value[j]) 的情况，其实等同于每一种子情况都包含当前临界点的情况中找最优。

边界条件

两个基本要素
1.子问题重叠性
2最优子结构性质。

我的深度理解：
一
动态规划，一般都是找到一个初始结构，
然后每次扩展一个结构。

很多问题的核心在于如何扩展结构。
这里假设问题域为字符串123456

二
首先提到两个我定义的名词：原子结构
扩展增量**** 单原子扩展增量多原子扩展增量****

**原子结构是 x：也就是问题区域的极小组成单元是x，比如123456这里任意单个数字都可以是原子结构，比如0， 1 2 3 4…6
扩展增量： 就是当前最优结构k 与下一个扩展后的最优结构k+1 之间扩展的部分
**单原子扩展增量： 那么每次扩展结构的时候，扩展部分可能只是一个原子结构
多原子扩展增量：每次扩展结构的时候，扩展部分可能是几个原子结构

三
那么如何扩展结构呢
假设前面为结构k，扩展的下一个结构为结构k+1

1.结构扩展至少有三种，或者说每次的扩展得扩展增量会有下面三种情况
那么每次扩展结构的时候，可能只是扩展一个x，
但也很可能是扩展几个x。

2单原子扩展增量：是**通过前一种结构k 直接按规则扩展得到下一种结构k+1。**比如12345中有结构k为123，扩展为下一种结构k+1为1234.每次只扩展一个原子单位，就是一个数字。

3.多原子扩展增量：**是通过前一种结构k 直接按规则扩展得到下一种结构k+1。**比如12345中有结构k为12，扩展为下一种结构k+1为12 34，再下一种是 1234 56.也就是每次扩展 m个原子单位，但是m是确定的。

4.混合原子扩展增量：而更为常见和普遍的一种扩展是容易知道确定下一种结构k+1，而前一种结构k反而是不确定的。这时候需要通过后一种结构k+1去寻找前一种结构k。这时候往往前一种结构k会有很多种情况。比如12345中有结构k+1为1234，这时候前一种结构k可能是1，也可能是12，也可能是123，甚至可能是1234。
这种情况很明显，扩展增量可能是一个，两个，三个，若干个原子单位的组合。也就是同时包含单原子扩展和多原子扩展情况。

这里比字符串123456789，