本文详细介绍了动态规划的概念，包括递归、记忆化搜索、状态转移等基本概念，并探讨了动态规划的经典模型，如线性模型、区间模型、状态压缩模型和树状模型。此外，文章还阐述了动态规划的常用状态转移方程和优化技巧，如滚动数组、单调队列优化等。同时，对比了动态规划与贪心算法、分治法的区别，以及设计动态规划的思路和适用条件。
目录
动态规划简介
递归
暂且先不说动态规划是怎么样一个算法，由最简单的递推问题说起应该是最恰当不过得了。因为一来，递推的思想非常浅显，从初中开始就已经有涉及，等差数列 f[i] = f[i-1] + d（ i > 0， d为公差，f[0]为初项）就是最简单的递推公式之一；二来，递推作为动态规划的基本方法，对理解动态规划起着至关重要的作用。
记忆化搜索
递推说白了就是在知道前i-1项的值的前提下，计算第i项的值
而记忆化搜索则是另外一种思路。它是直接计算第i项，需要用到第 j 项的值( j < i)时去查表，如果表里已经有第 j 项的话，则直接取出来用，否则递归计算第 j 项，并且在计算完毕后把值记录在表中。记忆化搜索在求解多维的情况下（比如f(a,b)）比递推更加方便
状态和状态转移
在介绍递推和记忆化搜索的时候，都会涉及到一个词---状态，它表示了解决某一问题的中间结果，这是一个比较抽象的概念，例如f[i][j]，FA[i]、FB[i]，f[a][b][c]，无论是递推还是记忆化搜索，首先要设计出合适的状态，然后通过状态的特征建立状态转移方程（f[i] = f[i-1] + f[i-2] 就是一个简单的状态转移方程）。
子问题，最优子结构，最优化原理
一个问题的解，可以先分解为求解一系列子问题的解，同时包含重叠子问题
子问题的解，可以根据状态转移，得到最终解。
如果子问题与子问题之间是不重叠的（他们两个的解不相关），那么直接用分治法即可。
如果子问题重叠了，就可以用动态规划求解，子问题的最优解可以推出原问题的最优解。
最优子结构：对于多阶段决策问题，如果每一个阶段的最优决策序列的子序列也是最优的，且决策序列具有“无后效性”，就可以将此决策方法理解为最优子结构。
最优子结构应该是大问题可以不断的分解为小问题，每个小问题的最优解可以得到相应大问题的最优解。
如果问题的最优解包含的子问题的解也是最优的，就称该问题具有最优子结构，即满足最优化原理。
例如：
d[i] = max{ d[j] | j < i && a[j] < a[i] } + 1
这个表达式很好的阐释了最优化原理，其中d[j]作为d[i]的子问题，d[i]最长（优）当且仅当d[j]最长（优）。
决策和无后效性
一个状态演变到另一个状态，往往是通过“决策”来进行的。有了“决策”，就会有状态转移。而
无后效性，就是一旦某个状态确定后，它之前的状态无法对它之后的状态产生“效应”（影响）。
无后效性：动态规划法的最优解通常是由一系列最优决策组成的决策序列，最优子结构就是这些最优决策序列中的一个子序列，对于每个子序列再做最优决策会产生新的最优决策（子）序列，如果某个决策只受当前最优决策子序列的影响，而不受当前决策可能产生的新的最优决策子序列的影响，则可以理解这个最优决策具有无后效性。
例如：现在有一个四乘四的网格，左上角有一个棋子，棋子每次只能往下走或者往右走，现在要让棋子走到右下角
假设棋子走到了第二行第三列，记为s(2,3),如下图，画了两条路线和一条不符合题意的路线，那么当前的棋子[s(2,3)位置]，怎么走到右下角和之前棋子是如何走到s(2,3)这个位置无关[不管是黑色尖头的路线还是蓝色箭头的路线]
换句话说，当位于s(2,3)的棋子要进行决策（向右或者向下走）的时候，之前棋子是如何走到s(2,3)这个位置的是不会影响我做这个决策的。
之前的决策不会影响了未来的决策（之前和未来相对于现在棋子位于s(2,3)的时刻），这就是无后效性,也就是所谓的“未来与过去无关”
看完了无后效性，那我们再来看看有后效性，还是刚才的例子，只不过现在题目的条件变了，现在棋子可以上下左右走但是不能走重复的格子。那么现在红色箭头就是一个合法的路线了，当我的棋子走到了s(2,3)这个位置的时候，要进行下一步的决策的时候，这时候的决策是受之前棋子是如何走到s(2,3)的决策的影响的，比如说红色箭头的路线，如果是红色箭头决策而形成的路线，那么我下一步决策就不能往下走了。[因为题意要求不能走重复的格子]，之前的决策影响了未来的决策，"之前影响了未来",这就叫做有后效性
简介
动态规划就是一种用来解决最优化问题的算法思想。简单来说，动态规划将一个复杂的问题分解成若干个子问题，通过综合子问题的最优解来得到原问题的最优解。需要注意的是，动态规划会将每个求解的子问题的解都记录下来。这样当下次碰到同样的子问题的时候 ，直接使用之前记录的结果。而不是重复计算。
采用动态规划需要满足的条件：
（1）最优化原理（2）无后效性（两个中，一个不满足，就不能用动态规划。）
动态规划的经典模型
线性模型
线性模型的是动态规划中最常用的模型，最长单调子序列就是经典的线性模型，这里的线性指的是状态的排布是呈线性的。
可以通过递归，或者每次将i+1，根据i之前的f(i)得到f(i+1)
典型例子是背包问题
例如：
f(i)=f(i-2)+f(i-1)
opt[i] = min{opt[i-1] + a[1] + a[i] , opt[i-2] + a[1] + a[i] + 2*a[2] }
区间模型
区间模型的状态表示一般为d[i][j]，表示区间[i, j]上的最优解，然后通过状态转移计算出[i+1, j]或者[i, j+1]上的最优解，逐步扩大区间的范围，最终求得[1, len]的最优解。
一般用记忆化搜索。如果问题的状态并非线性的，用记忆化搜索来求解状态的值会事半功倍。
状态压缩模型
状态压缩的动态规划，一般处理的是数据规模较小的问题，将状态压缩成k进制的整数，k取2时最为常见。
例如：
状态：d[i][j][k] d[(11101111)2][7][1]
转移： d[i][j][k] = max{ d[i ^ (1<<k)][t][j] + w(t, j, k) | (i & (1<<t)) != 0 }
例如：
第M行状态可以分别表示为(101010) 2、(110111) 2、(011110) 2
d[i][j] i或者j变成2进制的模式，好用来位运算
树状模型
树形动态规划（树形DP），是指状态图是一棵树，状态转移也发生在树上，父结点的值通过所有子结点计算完毕后得出。
例如：
给定一颗树，和树上每个结点的权值，求一颗非空子树，使得权和最大。
用d[1][i] 表示i这个结点选中的情况下，以i为根的子树的权和最大值;
用d[0][i]表示i这个结点不选中的情况下，以i为根的子树的权和最大值;
d[1][i] = v[i] + sum{ d[1][v] | v是i的直接子结点 &&a
最低0.47元/天 解锁文章
扫一扫
516
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
