动态规划精简复习

动态规划

Dynamic Programming

1.递推求解

由于递归问题的解可能会重复计算多次，产生不必要的计算，所以可以将计算过的子问题的解保存起来，就是递推。

典型的问题包括斐波那契数列，N阶上楼梯问题

N阶上楼梯问题

每次上楼梯可以上1格或者两格，所以上到第n格总共的方式数目$dp[n]=dp[n-1]+dp[n-2]$

2.最大连续子序列和

给定一个序列{$A_1$,$A_2$,$A_3$,$A_4$…$A_n$}，找到一个连续的子序列（下标连续），使得子序列的和最大。

令dp[i]为以a[i]作为结尾的连续序列最大和。

则dp[i]=max(a[i],dp[i-1]+a[i])

拓展：最大连续子矩阵和（二维情况）

解决办法：假设最大矩阵在第 i 行到第 j 行，则会出现两种情况：

• i == j 问题转化为一维的问题，求第 i 行的最大连续子序列和即可。
• i != j 将第i行到第j行的元素加起来，得到一个一维数组，求最大连续子序列和就是最大子矩阵的和。（每行元素的累加结果可以通过构造一个辅助数组得到）

3.最长递增子序列

给定一个序列{$A_1$,$A_2$,$A_3$,$A_4$…$A_n$}，找到一个最长的子序列（下标可以不连续），对子序列中的任意下标$x<y$有$A_x$<$A_y$.

令dp[i]表示以a[i]为末尾的最长递增子序列的长度。

则dp[1]=1;

dp[i]=max(1,dp[j]+1) j<i && a[j]<a[i]

由于下标可以不连续，所以要找到前面那个最长递增子序列长度。所以在循环遍历第i个位置的前面的子序列时，要让dp[i]=max(dp[i],dp[j]+1),而不是dp[i]=max(1,dp[j]+1).后面那个表达式其实只判断了前一个位置的子序列长度。

拓展：最大上升子序列和（下标可以不连续）

给定一个序列，找到一个上升子序列，使得子序列和最大。求这个和。

dp[i]表示以a[i]为结尾的最大上升子序列和。

则dp[1]=a[i];

dp[i]=max(a[i],dp[j]+a[i]) j<i && a[j]<a[i].如果a[i]前面的元素都比它大，则dp[i]=a[i].

4.最长公共子序列

给定两个字符串$S_1$和$S_2$，求一个最长公共子串，他同时为$S_1和$$S_2$的子串，且要求它长度最长，并确定这个长度。

设置二维数组dp[][]，dp[i][j]表示以$S_1[i]$为末尾和$S_2[j]$为末尾的最长公共子序列的长度。最长公共子序列的长度是dp[n][m]的值。

根据$S_1[i]$和$S_2[j]$的关系，分为两种情况：

• $S_1[i]==S_2[j]$ ，dp[i][j]=dp[i-1][j-1]+1
• $S_1[i]!=S_2[j]$，dp[i][j]=max(dp[i-1][j],dp[i][j-1])

边界情况：

• dp[i][0]=0
• dp[0][j]=0

5.背包问题

1. 0-1背包

有n件物品，每个物品价值为w[i]，价值为v[i],现在有容量为m的背包，选择物品使得装入背包价值最大。求最大价值。

设置一个二维数组dp[i][j]，表示将前i个物品装入容量为j的背包时，能获得的最大价值。dp[n][m]为原问题的解。

对于第i个物品，只有装与不装两种状态：

• 装入背包，dp[i][j]=dp[i-1][j-w[i]]+v[i]
• 不装入背包，dp[i][j]=dp[i-1][j]

dp[i][j]=max(dp[i-1][j-w[i]]+v[i],dp[i-1][j])

注意：

• 转移时要注意判断j-w[i]的值是不是负数，如果是负数不能转移。
• 边界情况dp[0][j]=0 dp[i][0]=0

转移方程优化：

由于上面的状态转移方程中，dp[i][j]的值仅与dp[i-1][j-w[i]]和dp[i-1][j]的值有关，也就是说只和二维数组的上一行有关，所以状态转移方程可以优化成一维数组：

dp[j]=max(dp[j-w[i]]+v[i],dp[j])

这个方程只是在存储上进行了优化，实际上算法的时间复杂度并没有降低，我们还是要写两重循环进行遍历。这个方程可以理解为对于不同的物品加入背包，判断当前容量为j时这个物品的加入是否能使得当前dp[j]的值增加，即价值增大，如果增大就更新，否则不更新。

遍历顺序：

for i = 0-n:

	for j = m-0:

		if j>=w[i] dp[j]=max(dp[j],dp[j-w[i]])

print(dp[m])

2.完全背包

将01背包进行扩展，每种物品可以拿多个，就是完全背包问题。

和01背包一样，设置二维数组dp[i][j]，表示将前i个物品装入容量为j的背包时，能获得的最大价值。两种状态，取或者不取第i件物品：

• 不取第i件物品，dp[i][j]=dp[i-1][j]
• 取第i件物品，由于可以取多次，所以状态方程转移到dp[i][j-w[i]],而不是dp[i-1][j-w[i]]。即dp[i][j]=dp[i][j-w[i]]+v[i]

转移方程优化：

dp[j]=max(dp[j],dp[j-w[i]]+v[i])

可以发现状态转移方程和01背包一模一样，为了保证转移正确，要保证每次更新确定状态dp[j]时，dp[j-w[i]]已经完成了本次更新修改。所以要正序遍历j，而01背包是逆序遍历j。
遍历顺序：

for i = 0-n:

	for j = 0-m:

		if j>=w[i] dp[j]=max(dp[j],dp[j-w[i]])

print(dp[m])

3.多重背包

多重背包问题介于01背包和完全背包之间，每件物品最多取k件，求装入背包物品最大价值。

我们可以把多重背包问题转换为01背包问题，将每种物品都视为k中价值和重量都不同的物品，时间复杂度为$O(m\sum k_i)$.降低每种物品的数量可以降低其复杂度。可以采用一种更有技巧的拆分：

将原数量为k的物品分为若干组，每组包含$2^0,2^1...$,类似于二进制的拆分，将物品数量降低，同时通过原物品与新物品的不同组合，可以得到0-k之间的任意件物品的价值总和，所以对这些新物品做01背包，可以得到多重背包的解。优化后时间复杂度为$O(m\sum lo{g}_2(k_i)$.

6.其它问题

动态规划问题灵活多变，这里只是介绍了几种经典且常见的动态规划问题，更多问题要结合实际定义状态数组，写出状态转移方程。