【知识点6】DAG最长路⭐⭐⭐⭐⭐

0. 引言

在图的专题的学习里面,我们讲述了如何求解AOE网的最长路径,但是求解的方法比较苦涩难懂,对初学者不太友好(当然,对我这种大一学了数据结构,大二学了算法,大三还是看不懂的人一样不友好惹)。而且很多问题都可以转换成求解DAG上的最长或最短路径问题。所以,求解DAG上的最长或最短路径问题很重要。

下面介绍一种更简便的方法。由于DAG最长路和最短路的思想是一致的,因此下面以最长路为例。

(通过本节的学习,你应该要知道如何求DAG的最长路和最短路(●ˇ∀ˇ●))

本节着重解决两个问题:

  1. 求整个DAG中的最长路径(即不固定起点或终点)
  2. 固定终点,求DAG的最长路径。

1. 求整个DAG中的最长路径(即不固定起点或终点)

先讨论第一个问题:给定一个DAG,怎样求解整个图的所有路径中权值之和最大的那条。

如图11-6所示,路径(B,D,F,I)就是该图的最长路径,长度为9。
在这里插入图片描述

问题1:如何定义状态?

dp[i]表示从i号顶点出发能获得的最长路径长度
我们知道一条路径一定是有起点的,那么DAG中最长的路径也肯定是有起点的,这样所有 dp[i] 的最大值就是整个DAG的最长路径长度。

问题2:如何求解dp数组?

注意到 dp[i] 表示从i号顶点出发能获得的最长路径长度,如果从i号顶点出发能到达顶点 j 1 j_1 j1 j 2 j_2 j2、…、 j k j_k jk,而 d p [ j 1 ] dp[j_1] dp[j1] d p [ j 2 ] dp[j_2] dp[j2]、…、 d p [ j k ] dp[j_k] dp[jk]均未知,那么就有 dp[i] = max{dp[j]+length[i→j]|(i,j) ∈ E},如下图所示:
在这里插入图片描述
由于动态规划有递推递归两种实现方式,接下来我们分别来看一下:

解法1:递推——逆拓扑序列

可以按照逆拓扑序列的顺序来求解dp数组。
所谓逆拓扑排序应该就是记录的是 OutDegree 数组,而不是 InDegree 数组。最先将出度为0的点入队列。

解法2:递归——记忆化搜索

有没有办法不求出逆拓扑序列也能计算dp数组的方式呢?
当然,那就是记忆化搜索

代码如下,其中使用邻接矩阵的方式来存储图:

int DP(int i){
	if(dp[i] > 0) return dp[i];	//dp[i]已计算得到
	//这里面包含了递归边界。
	for(int j=0;j<n;j++){	//遍历i的所有出边 
		if(G[i][j] != INF){
			dp[i] = max(dp[i],DP(j)+G[i][j]);
		}
	}
	return dp[i];	//返回计算完毕的dp[i] 
}

由于从出度为0的顶点出发的最长路径长度为0,因此边界为这些顶点的dp值为0.但具体实现时不妨对整个dp数组初始化为0,这样DP函数当前访问的顶点i的出度为0时就会返回dp[i]=0(以此作为dp的边界),而出度不是0的顶点则会递归求解,递归过程中遇到已经计算过的顶点则直接返回对应的dp值,于是从程序逻辑上按照了逆拓扑序列的顺序进行。

问题3:如何记录最长路径上的顶点?

回忆在Dijkstra算法中使用pre数组来保存每个顶点的前驱结点。事实上,可以把这种想法用到这里——开一个intchoice数组记录最长路径上顶点的后继结点。

注意:如果最终可能有多条最长路径,将choice数组改为vector类型的数组即可。

代码如下:

int DP(int i){
	if(dp[i] > 0 )  return dp[i];	//dp[i]已计算得到
	for(int j=0;j<n;j++){	//遍历i的所有出边 
		if(G[i][j] != INF){
			int temp = DP(j) + G[i][j];	//单独计算,防止if中调用
			if(temp > dp[i]){	//可以获得更长的路径 
				dp[i] = temp;	//覆盖dp[i]
				choice[i] = j;	//i号顶点的后继顶点是j 
			} 
		} 
	}
	return dp[i];	//返回计算完毕的dp[i] 
}

//调用printPath前需要先得到最大的dp[i],然后将i作为路径起点传入
void printPath(int i){
	printf("%d",i);
	while(choice[i] != -1){	//choice数组初始化为-1 
		i = choice[i];
		printf("->%d",i); 
	}
} 

⭐⭐⭐⭐⭐
一般的动态规划问题而言,如果需要得到具体的最优方案,可以采用类似的方法,即记录每次决策所选择的策略,然后在dp数组计算完毕后根据具体情况进行递归或者迭代来获取方案。读者不妨思考一下,如何对前几个小节的问题求解最优方案。
⭐⭐⭐⭐⭐

更进一步,模仿字符串来定义路径序列的字典序:如果有两条路径 a 1 a_1 a1 a 2 a_2 a2→…→ a m a_m am b 1 b_1 b1 b 2 b_2 b2→…→ b n b_n bn,且 a 1 a_1 a1= b 1 b_1 b1 a 2 a_2 a2= b 2 b_2 b2、…、 a k a_k ak= b k b_k bk a k + 1 a_{k+1} ak+1< b k + 1 b_{k+1} bk+1,那么称路径序列 a 1 a_1 a1 a 2 a_2 a2→…→ a m a_m am的字典序小于路径 b 1 b_1 b1 b 2 b_2 b2→…→ b n b_n bn。于是以此可以提出一个问题:如果DAG中有多条最长路径,如何选择字典序最小的那条?

很简单,只需要遍历i的邻接点的顺序从小到大即可 (事实上,上面的代码自动实现了这个功能(●ˇ∀ˇ●))


至此,都是令dp[i]表示从i号顶点出发能获得的最长路径长度。那么,如果令dp[i]表示以i号结点结尾能获得的最长路径长度,又会有什么结果呢?

可以想象,只要把求解公式变为dp[i] = max{dp[j] + length[j→i]|(j,i)∈E}(相应的求解顺序变成了拓扑序),就可以同样得到最长路径长度,也可以设置choice数组求出具体方案,但却不能直接得到字典序最小的方案,这是为什么呢?

举个简单的例子,如图11-8所示,如果令dp[i]表示从i号顶点出发能获得的最长路径长度,且dp[2]dp[3]已经计算得到,那么计算dp[1]的时候只需要从 V 2 V_2 V2 V 3 V_3 V3中选择字典序较小的 V 2 V_2 V2即可;而如果令dp[i]表示以i号顶点结尾能获得的最长路径长度,且dp[4]dp[5]已经计算得到,那么计算dp[6]时如果选择了字典序较小的 V 4 V_4 V4,则会导致错误的选择结果:理论上应当是 V 1 V_1 V1 V 2 V_2 V2 V 5 V_5 V5的字典序最小,可是却选择了 V 1 V_1 V1 V 3 V_3 V3 V 4 V_4 V4

显然,由于字典序的大小总是先根据序列中较前的部分来判断,因此序列中越靠前的顶点,其dp值应当越后计算(对一般的序列型动态规划问题也是如此)。
在这里插入图片描述

2. 固定终点,求DAG的最长路径长度

在上面的讨论的基础上,接下来讨论本节开头的第二个问题:固定终点,求DAG的最长路径长度。例如在图11-6中,如果固定H为路径的终点,那么最长路径就会变成B→D→F→H。

有了上面的经验,应当能很容易想到这个延伸问题的解决方案。假设规定的终点为T,那么可以令dp[i]表示从i号顶点出发到达终点T能获得的最长路径长度

在这里插入图片描述

  1. 设置vis数组的原因:防止计算过的不能到达终点的点被重复计算
int DP(int i){
	if(vis[i]) return dp[i];	//dp[i]已计算得到
	vis[i] = true;
	for(int j=0;j<n;j++){
		if(G[i][j] != INF){
			dp[i] = max(dp[i],DP(j) + G[i][j]);
		}
	}
	return dp[i];	//返回计算完毕的dp[i] 
}

至于如何记录方案以及如何选择字典序最小的方案,均与第一个问题相同,此处不再赘述。读者需要思考,如果令dp[i]表示以i号顶点结尾能获得的最长路径长度,应当如何处理?
事实上这样设置dp[i]会变得更容易解决问题,并且dp[T]就是结果,只不过仍然不方便处理字典序最小的情况。

3. 应用场景

至此,DAG最长路的两个关键问题都已经解决,最短路的做法与之完全相同。那么具体什么场景可以应用到呢?

3.1 关键路径

除了10.7.3节介绍的关键路径求解以外,可以把一些问题转换为DAG的最长路,例如经典的矩阵嵌套问题

3.2 矩阵嵌套问题

矩形嵌套问题:给出n个矩阵的长和宽,定义矩阵的嵌套关系为:如果有两个矩形A和B,其中矩形A的长和宽分别为a、b,矩形B的长和宽分别为c、d,且满足a<c、b<d,或a<d、b<c,则称矩形A可以嵌套于矩形B内。现在要求一个矩形序列,使得这个序列中任意两个相邻的矩形都满足前面的矩形可以嵌套于后一个矩形内,且序列的长度最长。如果有多个这样的最长序列,选择矩形编号序列的字典序最小的那个。

这个例子就是典型的DAG最长路问题——将每个矩形都看成一个顶点,并将嵌套关系视为顶点之间的有向边,边权均为1,于是就可以转换为DAG最长路问题。

4. 反思

  1. 需要理解:定义dp数组时,使用起点定义终点定义这两种不同定义的区别。
  2. 当要求最小字典序的时候要用起点定义法
  3. 机试不会考你裸的DAG,通常会给你不明显的DAG,然后需要你自己去把其中的物体转换成DAG的顶点物体之间的关系转换成DAG的边最值问题变成求DAG最长路径的问题。其实我们的LIS可以转换成DAG问题 ,只不过需要先构造成有向无环图罢了。
  4. 只要是求最长的那种问题,都要思考是否可以使用DAG

5. 题型训练

  1. LeetCode 1048. Longest String Chain
    (这个题我没用DAG写,但是它其实是可以用DAG写的,它就是一个有向无环图。)
  2. LIS
  3. LeetCode 435. Non-overlapping Intervals

6. 参考文档

  1. 算法笔记
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值