c++动态规划（超详细，全是干货！）

最新推荐文章于 2025-03-18 11:37:17 发布

wu_joey

最新推荐文章于 2025-03-18 11:37:17 发布

阅读量3.4k

点赞数 48

文章标签： c++ 动态规划算法

本文链接：https://blog.csdn.net/weixin_65428162/article/details/143658176

版权

C++中的动态规划（Dynamic Programming, DP）是一种通过分解问题、存储中间结果，从而减少重复计算、提高效率的算法技巧。DP主要适用于那些可以通过“子问题”的解逐步构建出“大问题”解的问题。下面将详细讲解动态规划的基本概念、实现步骤、常见问题类型和一些典型的例题。

动态规划的基本概念

动态规划通常用于优化解决以下类型的问题：

重叠子问题：问题可以分解为多个子问题，且这些子问题会被多次计算。
最优子结构：问题的最优解可以通过子问题的最优解来构建。

为了避免重复计算，动态规划会使用一个数组或表格存储已经计算过的子问题的解，从而实现“记忆化”效果，降低时间复杂度。

动态规划的实现步骤

动态规划的解题一般遵循以下步骤：

定义状态：设定一个状态表示。例如，对于一个求最短路径的问题，可以定义dp[i]表示到节点i的最短路径长度。
状态转移方程：找出当前状态与之前状态之间的关系。这是动态规划的核心。比如，假设dp[i]的值可以通过dp[i-1]和dp[i-2]计算得出，那么状态转移方程可以表示为：dp[i] = min(dp[i-1], dp[i-2]) + cost[i]。
初始化：根据题意初始化dp数组的值。例如，若dp[0]表示开始状态，它的值可以设为0或其他值。
计算并获取结果：依据状态转移方程逐步填充dp数组，最终的解通常会在dp[n]或dp[n-1]等位置得到。

动态规划的题目类型

动态规划可以应用于各种类型的问题，以下是几类常见的动态规划题目类型：

线性动态规划
- 斐波那契数列：求斐波那契数列的第n项。
- 爬楼梯问题：有n阶楼梯，每次可以爬1阶或2阶，问有多少种方法爬到顶层。
- 最小路径和：在一个二维数组中，从左上角到右下角的路径，使路径上的数值和最小。
区间动态规划
- 最长回文子串：在给定字符串中，找到长度最长的回文子串。
- 戳气球问题：在一系列气球中戳破气球，得到不同分数，目标是使总分最大。
背包问题
- 0/1背包问题：有一系列物品和一个容量固定的背包，每个物品有重量和价值，问如何选择物品使得总价值最大。
- 完全背包问题：物品数量不限，可以多次选择某个物品，但不能超过背包容量。
序列型动态规划
- 最长上升子序列：在一个数组中找到最长的递增子序列的长度。
- 编辑距离：给定两个字符串，计算将一个字符串转换成另一个字符串所需的最少编辑操作次数（插入、删除、替换）。
树形动态规划
- 树的直径：在一棵树中，找到两点间的最长路径长度。
- 选点覆盖问题：在树结构中选择尽可能少的点，使得树的每条边至少有一个端点被选中。
数位动态规划
- 数位统计：给定一个数范围，统计符合某些条件的数的个数，例如数位上不含4的数。
状态压缩动态规划
- 旅行商问题（TSP）：有若干城市，求解从某个城市出发访问所有城市并返回的最短路径。
- 集合划分问题：将集合划分为若干个子集，使得每个子集的某些属性满足条件。

经典例题讲解

1. 斐波那契数列

求解第n项的斐波那契数。斐波那契数列的状态转移方程是：
[ dp[i] = dp[i-1] + dp[i-2] ]
其中dp[0] = 0，dp[1] = 1。

代码实现：

int fibonacci(int n) {
    if (n <= 1) return n;
    int dp[n + 1];
    dp[0] = 0;
    dp[1] = 1;
    for (int i = 2; i <= n; i++) {
        dp[i] = dp[i - 1] + dp[i - 2];
    }
    return dp[n];
}

2. 爬楼梯问题

假设有n阶楼梯，每次可以爬1阶或2阶，问有多少种不同的方式爬到顶层。

状态定义：dp[i]表示到达第i阶楼梯的方法数。
状态转移方程：dp[i] = dp[i-1] + dp[i-2]
初始化：dp[0] = 1, dp[1] = 1

代码实现：

int climbStairs(int n) {
    int dp[n + 1];
    dp[0] = 1;
    dp[1] = 1;
    for (int i = 2; i <= n; i++) {
        dp[i] = dp[i - 1] + dp[i - 2];
    }
    return dp[n];
}

3. 0/1 背包问题

给定一个容量为W的背包和n个物品，每个物品的重量为weight[i]，价值为value[i]。问如何选择物品使得在不超过背包容量的情况下总价值最大。

状态定义：dp[i][w]表示前i个物品在容量w下的最大价值。
状态转移方程：

若不选择第i个物品：dp[i][w] = dp[i-1][w]
若选择第i个物品：dp[i][w] = max(dp[i-1][w], dp[i-1][w - weight[i]] + value[i])

代码实现：

int knapsack(int W, vector<int>& weight, vector<int>& value) {
    int n = weight.size();
    vector<vector<int>> dp(n + 1, vector<int>(W + 1, 0));
    for (int i = 1; i <= n; i++) {
        for (int w = 0; w <= W; w++) {
            if (weight[i - 1] <= w)
                dp[i][w] = max(dp[i - 1][w], dp[i - 1][w - weight[i - 1]] + value[i - 1]);
            else
                dp[i][w] = dp[i - 1][w];
        }
    }
    return dp[n][W];
}