第十四周总结

这周学习了动态规划，虽然动态规划第一次学，但相较于上一周看了挺多题，但是能看懂的不多，很多可以说是根本就看不懂，那我就总结一下这周看懂的题吧！

1、最小正子段和

题意：N个整数组成的序列a[1],a[2],a[3],…,a[n]，从中选出一个子序列（a[i],a[i+1],…a[j]），使这个子序列的和>0，并且这个和是所有和>0的子序列中最小的。
例如：4，-1，5，-2，-1，2，6，-2，-1，5，-2，-1，序列和为1，是最小的。

思路：这是我看的第一道题，这道题虽然没用到动态规划中的dp，但这个思路我感觉很好，是我入门动态规划的第一步，现在想一想，用动态规划，好像要简单点。当时解：先是计算了从第一位到每个位置的数字的和，用结构体存储和和序号，然后对和进行排序，则只需要用一个循环语句，来判断即可，但是当时我一直没看懂这个值都升序排列了，为啥还要判断大小，运行输出的时候出现了问题，最小值可以等于零，我才意识到这个问题，最小值要大于零才可。

if(a[i].val > a[i-1].val && a[i].pos > a[i-1].pos)  
        {  
            ans = min(ans, a[i].val - a[i-1].val);  
        }  

2、最大连续子序列和

题意：给定K个整数的序列{ A1, A2, …, Ak }，其任意连续子序列可表示为{ Ai, Ai+1, …, Aj }，其中 1 <= i <= j <= K。最大连续子序列是所有连续子序列中元素和最大的一个。

思路：用第一道的解题思路照样是可以解的，但是现在我在学动态规划，所以我就正式开始进去学习动态规划了，大体思路就是首先设置一个dp[]，令dp[i]表示以A[i]作为末尾的连续序列的最大和。于是，通过设置这么一个数组，最大连续子序列和便是数组dp中的最大值，我当时感觉确实很好，由线到点的转化。要求状态转移方程会出现两种情况（1）、最大和的连续序列只有一个元素，即A[i]本身，也就是说dp[i]=A[i]；（2）、最大和的连续序列有多个元素，即从前面某个A[j]开始，一直到A[i]结束，也就是dp[i] = A[j]+...+A[i-1]+A[i]。如何获得 A[j]+...+A[i-1]呢？不难发现dp[i-1] =  A[j]+...+A[i-1]。则即可求出状态转移方程dp[i]=max(A[i],dp[i-1]+A[i])。

3、最大子矩阵和

题意：一个M*N的矩阵，找到此矩阵的一个子矩阵，并且这个子矩阵的元素的和是最大的，输出这个最大的值。

思路：就是把二维的变为一维的，那如何实现转换呢？实行的是压缩的方式，很容易想到最后子矩阵一定是在某两列之间的。需要二重循环把他压缩，然后压缩后的成为一串数字了，就可以用下面这样写，这样写简单点，我认为这个if(cur < 0) cur = 0;是求最大连续子序列最关键的，这个保证了不会出现小于当下数的连续子段和。

for(int k = 1; k <= n; k++)  
            {  
                sum[k] = i == j ? a[k][j] : sum[k]+a[k][j];  
                cur += sum[k];  
                if(cur < 0) cur = 0;  
                ans = max(ans, cur);  
            }  

4、最长不下降子序列

题意：在一个数字序列中，找到一个最长的子序列（可以不连续），使得这个子序列是不下降（非递减）的。

思路：设置两层循环，第一层用来按顺序计算出dp[i]的值，接着就是边界的初始条件设置，即先假设每个元素自成一个子序列，求状态转移方程，用来更新dp[i]，要满足当前值大于前面的值，并且前面的值dp[j]+1要大于当前的dp，才可以更新的dp[i]=dp[j]+1。

总结一下：有一道最长公共子序列，还有一个点没看懂，一直也没想明白，别的最长回文子串和最长路也看了，但是都没看懂，也就刚了解大体的意思，这个星期学的都是一些简单的知识，对于动态规划仅仅做到了刚入门的水平，以后有时间的话还会接着学下去，这周就这样过去了，下一周的背包好好看，争取可以多学点东西。