Acwing《算法基础课》第5章 动态规划

Acwing《算法基础课》第5章 动态规划

---

背包问题

01背包问题

$n$个物品，每个物品的体积是$v_i$，价值是$w_i$，背包的容量是$m$

若每个物品最多只能装一个，且不能超过背包容量，则背包的最大价值是多少？

模板

int n;              // 物品总数
int m;              // 背包容量
int v[N];           // 重量 
int w[N];           // 价值

// ---------------二维形式---------------
int f[N][M];    // f[i][j]表示在考虑前i个物品后，背包容量为j条件下的最大价值
for(int i = 1; i <= n; ++i) 
    for(int j = 1; j <= m; ++j)
        if(j < v[i]) f[i][j] = f[i-1][j];   //  当前重量装不进，价值等于前i-1个物品   
        else f[i][j] = max(f[i-1][j], f[i-1][j-v[i]] + w[i]); // 能装，需判断  
cout << f[n][m];

// ---------------一维形式---------------
int f[M];   // f[j]表示背包容量为j条件下的最大价值
for(int i = 1; i <= n; ++i) 
    for(int j = m; j >= v[i]; --j)
        f[j] = max(f[j], f[j - v[i]] + w[i]);           // 注意是倒序，否则出现写后读错误
cout << f[m];           // 注意是m不是n

说明

• 注意f[i][j]的含义：在考虑前i个物品后，背包容量为j条件下的最大价值。而不是表示选了i个物品的最大价值，实际上选择的物品数<=i。f[j]表示背包容量为j条件下的最大价值
• 二维压缩成一维，实际上是寻找避开写后读错误的方法
  • f[i][j]始终只用上一行的数据f[i-1][...]更新（迭代更新的基础，如果还需用上上行数据则不可压缩）
  • f[i][j]始终用靠左边的数据f[i-1][<=j]更新（决定了只能倒序更新）
• 显然$i=0$时，$f(i,j)=0$，而初始化时自动赋予$0$，故不必但单独处理第0行

完全背包问题

每个物品可以取任意个

假设背包容量为$j$时，最多可装入$k$个物品$i$，则有
f ( i , j ) = max ⁡ { f ( i − 1 , j ) , f ( i − 1 , j − v i ) + w i , f ( i − 1 , j − 2 v i ) + 2 w i , ⋯   , f ( i − 1 , j − k v i ) + k w i } f\left( i,j \right) =\max \left\{ f\left( i-1,j \right) , f\left( i-1,j-v_i \right) +w_i, f\left( i-1,j-2v_i \right) +2w_i,\cdots ,f\left( i-1,j-kv_i \right) +kw_i \right\} f(i,j)=max{f(i−1,j),f(i−1,j−vi​)+wi​,f(i−1,j−2vi​)+2wi​,⋯,f(i−1,j−kvi​)+kwi​}
考虑
f ( i , j − v i ) = max ⁡ { f ( i − 1 , j − v i ) , f ( i − 1 , j − 2 v i ) + w i , f ( i − 1 , j − 3 v i ) + 2 w i , ⋯   , f ( i − 1 , j − k v i ) + ( k − 1 ) w i } f\left( i,j-v_i \right) =\max \left\{ f\left( i-1,j-v_i \right) , f\left( i-1,j-2v_i \right) +w_i, f\left( i-1,j-3v_i \right) +2w_i,\cdots ,f\left( i-1,j-kv_i \right) +\left( k-1 \right) w_i \right\} f(i,j−vi​)=max{f(i−1,j−vi​),f(i−1,j−2vi​)+wi​,f(i−1,j−3vi​)+2wi​,⋯,f(i−1,j−kvi​)+(k−1)wi​}
上式变形得
f ( i , j − v i ) + w i = max ⁡ { f ( i − 1 , j − v i ) + w , f ( i − 1 , j − 2 v i ) + 2 w i , f ( i − 1 , j − 3 v i ) + 3 w i , ⋯   , f ( i − 1 , j − k v i ) + k w i } f\left( i,j-v_i \right) +w_i=\max \left\{ f\left( i-1,j-v_i \right) +w, f\left( i-1,j-2v_i \right) +2w_i, f\left( i-1,j-3v_i \right) +3w_i,\cdots ,f\left( i-1,j-kv_i \right) +kw_i \right\} f(i,j−vi​)+wi​=max{f(i−1,j−vi​)+w,f(i−1,j−2vi​)+2wi​,f(i−1,j−3vi​)+3wi​,⋯,f(i−1,j−kvi​)+kwi​}
综上可得
f ( i , j ) = max ⁡ { f ( i − 1 , j ) , f ( i , j − v i ) + w i } f\left( i,j \right) =\max \left\{ f\left( i-1,j \right) ,f\left( i,j-v_i \right) +w_i \right\} f(i,j)=max{f(i−1,j),f(i,j−vi​)+wi​}
这样就得优化后的迭代公式，和01背包问题非常相似，但后者用的是$f\left(i-1,j-v_i\right)+w_i$

模板

int n;              // 物品总数
int m;              // 背包容量
int v[N];           // 重量 
int w[N];           // 价值

// ---------------二维形式---------------
// 未优化
int f[N][M];    // f[i][j]表示在考虑前i个物品后，背包容量为j条件下的最大价值
for (int i = 1; i <= n; i++)
    for (int j = 1; j <= m; j++)
        for (int k = 0; k * v[i] <= j; k++)
            f[i][j] = max(f[i][j], f[i - 1][j - k * v[i]] + k * w[i]);


// 已优化
int f[N][M];    // f[i][j]表示在考虑前i个物品后，背包容量为j条件下的最大价值
for(int i = 1; i <= n; ++i) 
    for(int j = 1; j <= m; ++j)
        if(j < v[i]) f[i][j] = f[i-1][j];   //  当前重量装不进，价值等于前i-1个物品   
        else f[i][j] = max(f[i-1][j], f[i][j-v[i]] + w[i]); // 能装，需判断  
cout << f[n][m];

// ---------------一维形式---------------
int f[M];   // f[j]表示背包容量为j条件下的最大价值
for(int i = 1; i <= n; ++i) 
    for(int j = v[i]; j <= m; ++j)
        f[j] = max(f[j], f[j - v[i]] + w[i]);           // 注意是倒序，否则出现写后读错误
cout << f[m];           // 注意是m不是n

说明

• 形式上和01背包差不多，在二维数组表示下，主要差别在
  • 在选择第i物品时，用的是f[i][j-v]+w，而不是f[i-1][j-v]+w
  • 上述条件决定了在每次迭代时，必须正向遍历，而不是反向遍历
• 在一维数组表示下，主要差别只表现为迭代的顺序（正向或反向）
• 在一维数组表示下，01背包只能反向是因为它主要用到上一行的数据来更新当前行数据，如果正向遍历，则会修改上一行的数据，出现写后读错误；完全背包只能正向是因为它需要用到当前行的数据更新，如果反向遍历，使用的是上一行的数据，则不符合公式

多重背包问题

第$i$个物品至多拿$s_i$件
f ( i , j ) = max ⁡ { f ( i − 1 , j ) , f ( i − 1 , j − v i ) + w i , f ( i − 1 , j − 2 v i ) + 2 w i , ⋯   , f ( i − 1 , j − s i v i ) + s i w i } f\left( i,j \right) =\max \left\{ f\left( i-1,j \right) , f\left( i-1,j-v_i \right) +w_i, f\left( i-1,j-2v_i \right) +2w_i,\cdots ,f\left( i-1,j-s_iv_i \right) +s_iw_i \right\} f(i,j)=max{f(i−1,j),f(i−1,j−vi​)+wi​,f(i−1,j−2vi​)+2wi​,⋯,f(i−1,j−si​vi​)+si​wi​}
而
f ( i , j − v i ) = max ⁡ { f ( i − 1 , j − v i ) , f ( i − 1 , j − 2 v i ) + w i , f ( i − 1 , j − 3 v i ) + 2 w i , ⋯   , f ( i − 1 , j − s i v i ) + ( s i − 1 ) w i , f ( i − 1 , j − ( s i + 1 ) v i ) + s i w i } f\left( i,j-v_i \right) =\max \left\{ f\left( i-1,j-v_i \right) , f\left( i-1,j-2v_i \right) +w_i, f\left( i-1,j-3v_i \right) +2w_i,\cdots ,f\left( i-1,j-s_iv_i \right) +\left( s_i-1 \right) w_i ,f\left( i-1,j-(s_i+1)v_i \right) +s_i w_i\right\} f(i,j−vi​)=max{f(i−1,j−vi​),f(i−1,j−2vi​)+wi​,f(i−1,j−3vi​)+2wi​,⋯,f(i−1,j−si​vi​)+(si​−1)wi​,f(i−1,j−(si​+1)vi​)+si​wi​}
变形后得
f ( i , j − v i ) + w i = max ⁡ { f ( i − 1 , j − v i ) + w i , f ( i − 1 , j − 2 v i ) + 2 w i , f ( i − 1 , j − 3 v i ) + 3 w i , ⋯   , f ( i − 1 , j − s i v i ) + s i w i , f ( i − 1 , j − ( s i + 1 ) v i ) + ( s i + 1 ) w i } f\left( i,j-v_i \right) + w_i =\max \left\{ f\left( i-1,j-v_i \right) + w_i, f\left( i-1,j-2v_i \right) +2 w_i, f\left( i-1,j-3v_i \right) +3w_i,\cdots ,f\left( i-1,j-s_iv_i \right) +s_i w_i ,f\left( i-1,j-(s_i+1)v_i \right) +(s_i+1) w_i\right\} f(i,j−vi​)+wi​=max{f(i−1,j−vi​)+wi​,f(i−1,j−2vi​)+2wi​,f(i−1,j−3vi​)+3wi​,⋯,f(i−1,j−si​vi​)+si​wi​,f(i−1,j−(si​+1)vi​)+(si​+1)wi​}
多了一项$f\left(i-1,j-(s_i+1)v_i\right)+(s_i+1)w_i$，因此无法按照完全背包的方式优化

二进制优化

已知$1,2,4,\cdots ,2^k$可以由系数$0$和$1$线性组合出$0$-$2^{k+1}-1$。考虑更一般的情况，若想线性组合出$0$-$S$，$S<2^{k+2}$，则猜测可由$1,2,4,\cdots ,2^k,C$组合出，其中$C<2^{k+1}$，显然，在$C$一定存在的情况下，可得到的数的范围为$C$-$S$。由于$C<2^{k+1}$，则$C\le 2^{k+1}-1$，故$\left[0,2^{k+1}-1\right]\cup \left[C,S\right]\supseteq \left[0,2^{k+1}-1\right]\cup \left[2^{k+1}-1,S\right]=\left[0,S\right]$，即可用$1,2,4,\cdots ,2^k,C$表示任何$<2^{k+2}$的数

因此对于有s[i]件的某个物品$i$，可以打包成$\lceil \log s\left[ i \right] \rceil $个物品，每包有$1,2,4,\cdots ,2^k,C$件物品$i$，其中$k=\lceil \log s\left[ i \right] \rceil $-1

int n;              // 物品总数
int m;              // 背包容量
int v[N];           // 重量 
int w[N];           // 价值

// -----------------未优化（完全背包模板）----------------------
int f[N][M];    // f[i][j]表示在考虑前i个物品后，背包容量为j条件下的最大价值
for (int i = 1; i <= n; i++)
    for (int j = 1; j <= m; j++)
        for (int k = 0; k <= s[i] && k * v[i] <= j; k++)
            f[i][j] = max(f[i][j], f[i - 1][j - k * v[i]] + k * w[i]);

// -----------------------二进制优化---------------------------
// 读入物品个数时顺便打包
int k = 1;      // 当前包裹大小
while (k <= s)
{
    cnt ++ ;            // 实际物品种数
    v[cnt] = a * k;
    w[cnt] = b * k;
    s -= k;
    k *= 2;             // 倍增包裹大小
}
if (s > 0)
{
    // 不足的单独放一个，即C
    cnt ++ ;
    v[cnt] = a * s;
    w[cnt] = b * s;
}
n = cnt;        // 更新物品种数

// 转换成01背包问题
for (int i = 1; i <= n; i ++ )
    for (int j = m; j >= v[i]; j -- )
        f[j] = max(f[j], f[j - v[i]] + w[i]);

cout << f[m] << endl;

说明

• 用二进制优化后，注意物品种数变成$N\times \log M$，问题转换成01背包问题
• 时间复杂度为$O(nm\log s)$

分组背包问题

每组物品中至多拿1个

实际上是带有约束的01背包问题，状态计算为 f ( i , j ) = max ⁡ { f ( i − 1 , j ) , f ( i − 1 , j − v ( i , k ) ) + w ( i , k ) } f(i, j)=\max \{f(i-1,j),f(i-1,j-v(i,k)) +w(i,k) \} f(i,j)=max{f(i−1,j),f(i−1,j−v(i,k))+w(i,k)}

模板

int n;              // 物品总数
int m;              // 背包容量
int v[N][S];         // 重量 
int w[N][S];         // 价值
int s[N];           // 各组物品种数

// 读入数据
 for (int i = 1; i <= n; i ++ )
 {
     cin >> s[i];
     for (int j = 1; j <= s[i]; j ++ )
         cin >> v[i][j] >> w[i][j];
 }

// 处理数据
for (int i = 1; i <= n; i ++ )
    for (int j = m; j >= 1; j -- )
        for (int k = 1; k <= s[i]; k ++ )
            if (v[i][k] <= j)
                f[j] = max(f[j], f[j - v[i][k]] + w[i][k]);

cout << f[m] << endl;

线性DP

数字三角形

核心代码

// 自顶向下（未压缩`f`)
const int INF = 1e9;

for (int i = 0; i <= n; i ++ )
    for (int j = 0; j <= i + 1; j ++ )
        f[i][j] = -INF;

f[1][1] = a[1][1];
    for (int i = 2; i <= n; i ++ )
        for (int j = 1; j <= i; j ++ )
            f[i][j] = max(f[i - 1][j - 1] + a[i][j], f[i - 1][j] + a[i][j]);

int res = -INF;
for (int j = 1; j <= n; j ++ ) res = max(res, f[n][j]);

说明

• 实际上可压缩f，此时只能反向遍历行
• 还可自底向上实现，若压缩，只能正向遍历行
• 可以用0x80初始化f，使得元素都小于-2e9
• 时间复杂度$=O(状态\times 转移)=O(1\times n^2)=O(n^2)$

最长上升子序列

核心代码

// 朴素法
for (int i = 1; i <= n; i ++ )
{
    f[i] = 1;       // 只有a[i]一个数
    for (int j = 1; j < i; j ++ )
        if (a[j] < a[i])
            f[i] = max(f[i], f[j] + 1);
}

int res = 0;
for (int i = 1; i <= n; i ++ ) res = max(res, f[i]);

// 二分优化
    vector<int>stk;//模拟堆栈
    stk.push_back(arr[0]);

    for (int i = 1; i < n; ++i) {
        if (arr[i] > stk.back())        
            stk.push_back(arr[i]);          // 如果该元素大于栈顶元素,将该元素入栈
        else
            *lower_bound(stk.begin(), stk.end(), arr[i]) = arr[i];  // 替换掉第一个大于或者等于这个数字的那个数
    }
    cout << stk.size() << endl;

// yxc二分优化
int len = 0;        // 最长上升子序列长度（数组q的长度）
for (int i = 0; i < n; i ++ )
{
    // 在数组q中二分查找第1个>= a[i]的数（结果）
    int l = 0, r = len;
    while (l < r)
    {
        int mid = l + r + 1 >> 1;
        if (q[mid] < a[i]) l = mid;
        else r = mid - 1;
    }
    len = max(len, l + 1);      // q[l] < a[i] < q[l + 1]
    q[l + 1] = a[i];
}

printf("%d\n", len);

说明

• 朴素法时间复杂度$=O(状态\times 转移)=O(n\times n)=O(n^2)$
• 改进（贪心+二分）
  • 令数组q保存长度为i的上升子序列末尾元素的最小值，例如125和123优先保存123的3，因为它更能接上的后缀种类更多
  • q[]是单调递增的，否则存在q[i-1]>q[i]，说明长度为i的上升子序列的最小末尾元素比长度为i-1的还小，这与q[i-1]的定义不符
  • 为了使上升子序列最长，应在q[]中找到<a[i]的最大q[j]，使得q[j]<a[i]<q[j+1]，此时子序列的长度为j+1，且q[j+1]=a[i]。这步用整数二分实现
  • 改进后，时间复杂度变为$O(n\log n)$

最长公共子序列

核心代码

char a[N], b[N];
int f[N][N];

for (int i = 1; i <= n; i ++ )
    for (int j = 1; j <= m; j ++ )
    {
        f[i][j] = max(f[i - 1][j], f[i][j - 1]);
        if (a[i] == b[j]) f[i][j] = max(f[i][j], f[i - 1][j - 1] + 1);
    }

printf("%d\n", f[n][m]);

说明

• 难点
  • $f(i-1,j)$并不是$01$的等价形式，但$01\subseteq f\left(i-1,j\right)\subseteq f\left(i,j\right)$，因此$\max f(i-1,j)$包含了$\max (01)$，且剩余的部分也是属于$f(i,j)$的，故可用$f(i-1,j)$代替$01$。同理$f(i,j-1)$可代替$10$
  • 若$C\subseteq A\cap B$，则$\max \left(A,B,C\right)=\max \left(A,B\right)$。由于$f\left(i-1,j-1\right)\subseteq f\left(i-1,j\right)\cup f\left(i,j-1\right)$，故无需考虑$00$的情形，而只需考虑$01$，$10$和$11$的情况
• 时间复杂度$=O(状态\times 转移)=O(n^2\times 1)=O(n^2)$

最短编辑距离

给定两个字符串A和B，只允许对A进行字符插入，字符删除和字符替换，求把A变成B的最少操作次数

核心代码

// 初始化边界
for (int i = 0; i <= m; i ++ ) f[0][i] = i;         // 把B变成空串需要删除字符的次数
for (int i = 0; i <= n; i ++ ) f[i][0] = i;         // 把空串B扩充成A需要插入字符的次数

for (int i = 1; i <= n; i ++ )
    for (int j = 1; j <= m; j ++ )
    {
        f[i][j] = min(f[i - 1][j] + 1, f[i][j - 1] + 1);
        if (a[i] == b[j]) f[i][j] = min(f[i][j], f[i - 1][j - 1]);
        else f[i][j] = min(f[i][j], f[i - 1][j - 1] + 1);
    }

printf("%d\n", f[n][m]);

说明

• 时间复杂度$=O(状态\times 转移)=O(n^2\times 3)=O(n^2)$

区间DP

石子合并：相邻两堆石子可以合并，代价为二者石子数的和，求最小代价

核心代码

int s[N];           // 前缀和
int f[N][N];        

for (int i = 1; i <= n; i ++ ) s[i] += s[i - 1];        // 初始化前缀和

for (int len = 2; len <= n; len ++ )        // len=1时不合并（类似归并排序的merge）
    // 固定窗口大小，从小到大遍历
    for (int i = 1; i + len - 1 <= n; i ++ )
    {
        // 固定窗口左端点，则可确定窗口右端点，注意边界
        int l = i, r = i + len - 1;
        // 窗口内划分
        f[l][r] = 0x7f7f7f7;    // 初始化为无穷大
        for (int k = l; k < r; k ++ )
            f[l][r] = min(f[l][r], f[l][k] + f[k + 1][r] + s[r] - s[l - 1]);
    }

printf("%d\n", f[1][n]);

说明

• 时间复杂度$O(n^3)$

计数类DP

把n拆分成1~n的和的方案数（不考虑顺序）

完全背包解法

可以看做有$n$种物品，第$i$种物品的体积为$i$，背包的容量为$n$，每个物品可以拿无数次，求装满背包的方案数

假设当前背包容量为$j$，则第$i$个物品至多装$k=\lfloor \frac{j}{i} \rfloor $个

已知
$$f\left(i,j\right)=f\left(i-1,j\right)+f\left(i-1,j-i\right)+f\left(i-1,j-2i\right)+\cdots +f\left(i-1,j-ki\right)$$
当$j<i$时，$j-i<0$，$f(i,j)=f(i-1,j)$

当$j\ge i$时，$j-i\ge 0$，有
$$f\left(i,j-i\right)=f\left(i-1,j-i\right)+f\left(i-1,j-2i\right)+f\left(i-1,j-3i\right)+\cdots +f\left(i-1,j-ki\right)$$
对比可得状态转移方程
$$f(i,j)=f(i-1,j)+f(i,j-i)$$
综上，当$j<i$时，$f(i,j)=f(i-1,j)$；当$j\ge i$时，$f(i,j)=f(i-1,j)+f(i,j-i)$。特别的$f(0,\ast )=1$

核心代码

// 未压缩f
f[0][0] = 1;
for (int i = 1; i <= n; i ++)
    for (int j = 0; j <= n; j ++)
        if (j >= i) f[i][j] = (f[i - 1][j] + f[i][j - i]) % mod;
        else f[i][j] = f[i - 1][j];
cout << f[n][n] << endl;

// 压缩f
f[0] = 1;
for (int i = 1; i <= n; i ++ )
    for (int j = i; j <= n; j ++ )
        f[j] = f[j] + f[j - i];
cout << f[n] << endl;

其它算法

当$j$个数中最小值是$1$，则方案数等价于去掉$1$个$1$时的方案数$f(i-1,j-1)$，此时总和为$i-1$，共有$j-1$个数

当$j$个数中最小值$>1$，则方案数等价于$j$个数全都减$1$的方案数$f(i-j,j)$

核心代码

f[1][1] = 1;
for (int i = 2; i <= n; i ++ )
    for (int j = 1; j <= i; j ++ )
        f[i][j] = (f[i - 1][j - 1] + f[i - j][j]) % mod;

int res = 0;
for (int i = 1; i <= n; i ++ ) res = (res + f[n][i]) % mod;

cout << res << endl;

数位统计DP

给定两个整数 $a$ 和 $b$，求$ a $和$b$之间的所有数字中$0$~$9$的出现次数

思路

count(n, x)表示$1$~$n$中，数字$x$出现的次数$0\le x\le 9$

考虑数$x$在n=abcdefg的第$4$位$d$出现的次数，不妨把$n$看成$yyyxzzz$

• 当$000\le yyy\le (abc-1)$时，$000\le zzz\le 999$
  • 当$x\ne 0$时，此时共有$abc\times 1000$次
  • 当$x=0$时，由于$abcd$不能全为$0$，因此此时共有$(abc-1)\times 1000$次
• 当$yyy=abc$时
  • 当$d<x$，$abcdefg<abcxzzz$，此时出现$0$次
  • 当$d=x$，$000\le yyy\le efg$，此时出现$efg+1$次
  • 当$d>x$，$000\le yyy\le 999$，此时出现$1000$次

特殊处理

• 当求的是最左边那位出现的次数时，$abc$不存在，因此此时只需考虑第2种情况
• 当$x=0$，且遍历到最左边那位时，根据上述讨论，需要把$n$看成$xyyyzzz=0yyyzzz$，这是不合法的，因此当$x=0$时，从左起第2位开始遍历

核心代码

int get(vector<int> num, int l, int r)
{
    int res = 0;
    for (int i = l; i >= r; i -- ) res = res * 10 + num[i];
    return res;
}

int power10(int x)
{
    int res = 1;
    while (x -- ) res *= 10;
    return res;
}

int count(int n, int x)
{
    if (!n) return 0;       // 特判

    // 拆分
    vector<int> num;
    while (n)
    {
        num.push_back(n % 10);
        n /= 10;
    }
    n = num.size();

    // 核心
    int res = 0;
    for (int i = n - 1 - !x; i >= 0; i -- )     // 当x=0时，从左起第2位开始遍历
    {
        // 考虑左起第1位时不存在abc，跳过
        if (i < n - 1)
        {
            res += get(num, n - 1, i + 1) * power10(i);
            if (!x) res -= power10(i);      // x=0，abc不能全为0，排除这种情况
        }
        
        // 尽管左起第1位不存在abc，但存在efg，因此保留这部分
        if (num[i] == x) res += get(num, i - 1, 0) + 1;
        else if (num[i] > x) res += power10(i);
    }

    return res;
}

for (int i = 0; i <= 9; i ++ )
    cout << count(b, i) - count(a - 1, i) << ' ';       // 类似前缀和思想

状态压缩DP

蒙德里安的梦想

在给定大小的网格放入$1\times 2$和$2\times 1$的矩形

状态压缩是通过用二进制数表示状态实现的

当确定横向矩形的位置后，竖向矩形的位置就确定了，因此只需考虑横向矩形的放置方法。

$j$表示当前列的状态，它记录了上一列放入横向矩形的行号，也可理解为当前列被上一列横向矩形捅出的行号，这些行号不可用。例如10010表示上一列第1行和第4行放有横向矩形，即当前列的第1行和第4行不可用。$k$表示上一列的状态，与$j$类似。

假设有$n$行，则状态$j$表示某列$n$个格子的使用情况，格子被占用记为1，空闲记为0。因此这n个格子一共有$2^n$情况，且$0\le j\le 2^n-1$

集合根据上一列的状态$k$划分，因此共有$2^n$种状态划分方式，当满足横向矩形不碰撞以及剩余部分能放完竖向矩形两个条件时，$f(i,j)$能转移到$f(i-1,k)$

核心代码

const int N = 12, M = 1 << N;       // 最大行数，每列的最大状态数
long long f[N][M];
bool st[M];

// 穷举第i列和第i+1列能放完竖向矩形的情形（找到所有不存在连续奇数个0的情况）
// 预处理，减少重复计算的代价
for (int i = 0; i < 1 << n; i ++ )
{
    int cnt = 0;
    st[i] = true;
    for (int j = 0; j < n; j ++ )
        if (i >> j & 1)
        {
            if (cnt & 1) {
                st[i] = false;
                break;
            }
            cnt = 0;
        }
        else cnt ++ ;
    if (cnt & 1) st[i] = false;
}

f[0][0] = 1;            // 全部放竖向矩形，1种方案
for (int i = 1; i <= m; i ++ )                  // 遍历1~m列
    for (int j = 0; j < 1 << n; j ++ )          // 穷举当前列的可能状态
        for (int k = 0; k < 1 << n; k ++ )      // 穷举上一列的可能状态
            if ((j & k) == 0 && st[j | k])      // 判断是否满足状态转移条件（不碰撞，能放满）
                f[i][j] += f[i - 1][k];         // 状态转移

cout << f[m][0] << endl;                        // 当放完第0~m-1列后，第m列没有捅出的横向矩形的情形就是最终结果

说明

• 时间复杂度$O(n\times 2^n\times 2^n)=O(n{4}^n)$，但$n=11$，实际上只需计算$4\times 10^7$次，能在1s内完成

最短Hamilton路径

给定一张 $n$ 个点的带权无向图，点从 $0$~$n-1$ 标号，求起点 $0$ 到终点 $n-1$ 的最短Hamilton路径。 Hamilton路径的定义是从 $0$ 到$n-1$ 不重不漏地经过每个点恰好一次。

将f[i][j]所表示的集合中的所有路线，按倒数第二个点分成若干类，其中第k类是指倒数第二个点是k的所有路线。那么f[i][j]的值就是每一类的最小值，再取个min。而第k类的最小值就是f[i - (1 << j)][k] + w[k][j]。

从定义出发，最后f[(1 << n) - 1][n - 1]就表示所有“经过了所有点，且最后位于点n-1的路线”的长度的最小值，也就是我们要求的答案。

核心代码

memset(f, 0x3f, sizeof f);              // 初始化为无穷大
f[1][0] = 0;    // 表示只有起点0且最后位于起点0的路线的长度是0，此时点集i的最后一位是1，其余为0，因为点集只有起点0，故i=1

for (int i = 0; i < 1 << n; i ++ )          // 穷举所有可能的点集
    for (int j = 0; j < n; j ++ )           // 从当前点集找一个点（二进制串中位为1的位置）
        if (i >> j & 1)
            for (int k = 0; k < n; k ++ )    // 从当前点集找另外一个点（可以和之前找的相同）
                if (i >> k & 1)
                    f[i][j] = min(f[i][j], f[i - (1 << j)][k] + w[k][j]);   // 尝试从后找的点到达点j

cout << f[(1 << n) - 1][n - 1];     // 所有点都在点集，且终点是n-1

树形DP

给定一个带结点值的树，求一个结点集合，使得集合里任意两个结点都不相邻，且结点值的和最大

根据有无上司划分集合

• 若上司存在，则不考虑所有直接下属，只考虑所有间接下属
• 若上司存在，则考虑直接下属，在有无下属中选择幸福值最大的那个方案

核心代码

int n;
int h[N], e[N], ne[N], idx;     
int happy[N];
int f[N][2];
bool has_fa[N];         // 标记是否存在父节点

void add(int a, int b)
{
    e[idx] = b, ne[idx] = h[a], h[a] = idx ++ ;
}

void dfs(int u)
{
    f[u][1] = happy[u];     // 选取根节点的初值为自身的幸福度

    // 遍历子树
    for (int i = h[u]; ~i; i = ne[i])
    {
        int j = e[i];       // 子结点
        dfs(j);             // 递归子结点

        // 状态转移
        f[u][1] += f[j][0]; 
        f[u][0] += max(f[j][0], f[j][1]);
    }
}

// 核心
memset(h, -1, sizeof h);            // 初始化邻接表头指针

// 读入树结构
for (int i = 0; i < n - 1; i ++ )
{
    int a, b;
    scanf("%d%d", &a, &b);
    add(b, a);                      // 尽管是无向图，但只需要保留一条边（上司指向下属）
    has_fa[a] = true;               // 标记存在父节点
}

// 找树根，不存在父节点的就是树根
int root = 1;
while (has_fa[root]) root ++ ;

dfs(root);      // 从根节点开始遍历

printf("%d\n", max(f[root][0], f[root][1]));

说明

• 使用邻接表表示树
• DFS+动态规划

记忆化搜索

给一个矩阵，求一条路径，使得它的长度最长，且路径上的值是递减的。（只能往上下左右移动）

记忆化搜索指保存中间结果，避免重复计算，用空间换时间

核心代码

int g[N][N];
int f[N][N];
int dx[4] = {-1, 0, 1, 0}, dy[4] = {0, 1, 0, -1};

int dp(int x, int y)
{
    if (f[x][y] != -1) return f[x][y];      // 已经计算过，不必重复计算（记忆化搜索）
    
    f[x][y] = 1;
    for (int i = 0; i < 4; i++) {
        int a = x + dx[i], b = y + dy[i];
        if (g[a][b] < g[x][y]) 
            f[x][y] = max(f[x][y], dfs(a, b) + 1);
    }
    
    return f[x][y];
}

memset(g, 0x3f, sizeof g);      // 边界为无穷大，不能滑到，可以省去边界判断
memset(f, -1, sizeof f);

int res = 0;
for (int i = 1; i <= n; i ++ )
    for (int j = 1; j <= m; j ++ )
        res = max(res, dp(i, j));

---

P.S.
如果大家有兴趣，可以去Acwing《算法基础课》看看
我在Acwing也分享了一份，欢迎去围观