动态规划合集——动态规划基本原理
- 动态规划原理
- 1258：【例9.2】数字金字塔 动态规划原理
- 深度优先搜索
- 记忆化搜索
- 动态规划（顺推）
- 动态规划原理
- 题解分析
- 滚动数组优化
- 动态规划（逆推）
动态规划原理
从数塔问题出发理解动态规划。
1258：【例9.2】数字金字塔 动态规划原理
1258：【例9.2】数字金字塔
深度优先搜索
问题要求的是从最高点按照规则走到最低点的路径的最大的权值和，路径起点终点固定，走法规则明确，可以考虑用搜索来解决。
定义递归函数void Dfs(int x,int y,int Curr)，其中(x,y)表示当前已从(1,1)走到(x,y)，目前已走路径上的权值和为Curr。同时用另一个变量Ans记录最大值。
当x=N时，到达递归出口，如果Curr比Ans大，则把Ans更新为Curr；
否则向下一行两个位置行走，即递归执行
Dfs(x+1,y,Curr+A[x+1][y])和Dfs(x+1,y+1,Curr+A[x+1][y+1])。
该方法实际上是把所有路径都走了一遍，由于每一条路径都是由N-1步组成，每一步有“左”、“右”两种选择，因此路径总数为 2 N − 1 2^{N-1} 2N−1，
所以该方法的时间复杂度为 O ( 2 N − 1 ) O(2^{N-1}) O(2N−1)，铁定超时。
#include <iostream>
using namespace std;
int A[1005][1005], F[1005][1005], N, Ans;
void Dfs(int x, int y, int Curr) {if (x == N) {if (Curr > Ans)Ans = Curr;return;}//深度优先搜索是枚举所有情况，这里只有两个，而且用形参表示状态，回溯无难度Dfs(x + 1, y, Curr + A[x + 1][y]);Dfs(x + 1, y + 1, Curr + A[x + 1][y + 1]);
}
int main() {cin >> N;for (int i = 1; i <= N; i++)for (int j = 1; j <= i; j++)cin >> A[i][j];Ans = 0;Dfs(1, 1, A[1][1]);cout << Ans << endl;return 0;
}
记忆化搜索
为了避免重复搜索，我们在dfs的基础上开设全局数组F[x][y]记录从(x,y)出发到终点路径的最大权值和，一开始全部初始化为-1表示未被计算过。
在计算Dfs(x,y)时，首先查询F[x][y]，如果F[x][y]不等于-1，说明Dfs(x,y)之前已经被计算过，直接返回 F[x][y]即可，否则计算出Dfs(x,y)的值并存储在F[x][y]中。
由于F[x][y]对于每个合法的(x,y)都只计算过一次，
而且计算是在 O ( 1 ) O(1) O(1)内完成的，因此时间复杂度为 O ( N 2 ) O(N^2) O(N2)。可以通过本题。
记忆化搜索的本质已经是动态规划。因为记忆化搜索也是记录走过的分支，相当于已经解决了子问题，再遍历这条路径时直接由子问题解决当前问题即可。
#include <iostream>
#include <algorithm>
using namespace std;
int A[505][505],
F[505][505],N;
int Dfs(int x,int y) {if (F[x][y]== -1) {if (x==N)F[x][y]=A[x][y];elseF[x][y]=A[x][y]+max(Dfs(x+1,y),Dfs(x+1,y+1));}return F[x][y];
}
int main() {cin >> N;for(int i = 1;i <= N;i ++)for(int j = 1;j <= i;j ++)cin >> A[i][j];for(int i = 1;i <= N;i ++)for(int j = 1;j <= i;j ++)F[i][j] = -1;Dfs(1,1);cout << F[1][1] << endl;return 0;
}
动态规划（顺推）
动态规划原理
动态规划（Dynamic Programming，简称dp）是1951年美国数学家R.Bellman等人提出。具体详见动态规划_百度百科。
简单总结就是：
-
一个大问题拆分成若干子问题，每个子问题的结果都是一个状态。
-
由一个子问题解决另一个子问题选择的方法称为决策，在现实解决问题时我们都希望找到最优解，也就是最优决策。
-
同一个大问题拆分成的子问题之间往往都有一样的规律。或者说，同一个大问题产生的任意两个不同状态之间有相同的联系。这个联系一般用数学公式表达，这个公式的专业术语叫状态转移方程。
-
动态规划满足两个条件：
- 最优化原理：每一步决策都是最好的解决方案，都是从很多方案中选择最好的方案。
- 无后效性：每个状态除了第一个，都只由前阶段的状态和决策决定，和后续无关。
题解分析
1、状态定义：
题目要求从(1,1)出发到最底层路径最大权值和，路径中是各个点串联而成，路径起点固定，终点和中间点相对不固定。因此定义F[x][y]表示从(1,1)出发到达(x,y)的路径最大权值和。
最终答案Ans=max{F[N][1],F[N][2],...,F[N][N]}。
2、状态转移方程&边界条件（或初始化方式）：
不去考虑(1,1)到(x,y)的每一步是如何走的，只考虑最后一步是如何走，根据最后一步是向
左还是向右分成以下两种情况：
向左：最后一步是从(x-1,y)走到(x,y), 此类路径被分割成两部分，
第一部分是从
(1,1)走到(x-1,y)，第二部分是从(x-1,y)走到(x,y)，第一部分的最大权值和，此部分问题的性质与
F[x][y]的定义一样，就是F[x-1][y]，第二部分就是
A[x][y]，两部分相加即得到此类路径的最大权值和为F[x-1,y]+A[x,y]；
向右： 最后一步是从(x-1,y-1)走到(x,y),此类路径被分割成两部分，
第一部分是从
(1,1)走到(x-1,y-1)，第二部分是从(x-1,y-1)走到(x,y)，分析方法如上。此类路径的最大权值和为
F[x-1,y-1]+A[x,y]；
F[x][y]的计算需要求出上面两种情况的最大值。综上，得到状态转移方程如下：
F[x][y]=max{F[x-1,y-1],F[x-1][y]}+A[x,y]与递归关系式还需要递归终止条件一样，这里我们需要对边界进行处理以防止无休止地进行下去。观察发现计算
F[x][y]时需要用到F[x-1][y-1]和F[x-1][y]，是上一行的元素，随着递归的深入，
最终都要用到第一行的元素F[1][1],F[1][1]的计算不能再使用状态转移方程来求，而是应该直接赋予一个特值A[1][1]。这就是边界条件。
综上得：
状态转移方程：F[x][y]=max{F[x-1][y-1],F[x-1][y]}+A[x,y]
边界条件：F[1][1]=A[1][1]
分析该动态规划的正确性，分析该解法是否满足使用动态规划的两个前提。
最优化原理：这个在分析状态转移方程时已经分析得比较透彻，明显是符合最优化原理的。
无后效性：状态转移方程中，我们只关心
F[x-1][y-1]与F[x-1][y]的值，计算F[x-1][y-1]时可能有多种不同的决策对应着最优值，选哪种决策对计算F[x][y]的决策没有影响，
F[x-1][y]也是一样。这就是无后效性。在以后的题目中可能不会提及，但处处都充斥着这两个前提的分析。
3、填表（或程序实现）：
由于状态转移方程就是递归关系式，边界条件就是递归终止条件，所以可以用递归来完成，递归存在重复调用，利用记忆化可以解决重复调用的问题，这就是方法二的记忆化搜索。
记忆化实现比较简单，而且不会计算无用状态，但递归也会受到栈的大小和递推加回归执行方式的约束，另外记忆化实现调用状态的顺序是按照实际需求而展开，没有大局规划，不利于进一步优化。
所以dp更常用的还是迭代法。状态用二维数组表示，也就是说可以通过循环的方式求出每个状态（通俗点称呼就是填表）。
计算F[x][y]用到状态F[x-1][y-1]与F[x-1][y]，这些元素在F[x][y]的上一行，也就是说要计算第x行的状态的值，必须要先把第x-1行元素的值计算出来，因此我们可以先把第一行元素F[1][1]赋为 A[1][1]，再从第二行开始按照行从左到右递增，从上到下递增的顺序通过循环计算出每一行的有效状态即可。时间复杂度为 O ( N 2 ) O(N^2) O(N2)。
参考程序：
#include <iostream>
#include <algorithm>
using namespace std;
int A[1005][1005], F[1005][1005], N;
int main() {cin >> N;for (int i = 1; i <= N; i++)for (int j = 1; j <= i; j++)cin >> A[i][j];F[1][1] = A[1][1];for (int i = 2; i <= N; i++)for (int j = 1; j <= i; j++)F[i][j] = max(F[i - 1][j - 1], F[i - 1][j]) + A[i][j];int ans = 0;for (int i = 1; i <= N; i++)ans = max(ans, F[N][i]);cout << ans << endl;return 0;
}
滚动数组优化
根据之前得到的状态转移方程：F[x][y]=max{F[x-1][y-1],F[x-1][y]}+A[x,y]，
边界条件：F[1][1]=A[1][1]，
发现在二维数组表示的转移方程中，每个状态都只和上一个状态有关。而且每个状态都只和前1个状态有关，和前2个以及之前的所有状态都无关。
所以可以将表示状态的dp表用一维数组表示。状态转移方程变为
f[x]=max(f[x],f[x-1])+A[x,y]。
这种不改变空间复杂度，但可以极大程度地优化空间复杂度的状态表示称作滚动数组优化。
在填表的时候，需要将循环从右往左枚举，才能保证每个状态都是正确的。
因为都是正数，所以不必考虑边界为0时造成的影响。如果存在负数，则可能需要对边界情况做判断，或取无穷小。
滚动数组优化参考程序：
#include<bits/stdc++.h>
using namespace std;int main() {int n;cin >> n;vector<vector<int> >A(1, vector<int>(2,0));vector<int>f(n+1,0);for (int i = 1; i <= n; i++) {A.push_back(vector<int>(i + 2, 0));for (int j = 1; j <= i; j++)cin >> A[i][j];}int ans = A[1][1];for (int i = 1; i <= n; i++) {for (int j = i; j >= 1; j--) {//逆向枚举f[j] = max(f[j], f[j - 1]) + A[i][j];ans = max(ans, f[j]);}}cout << ans;return 0;
}
整体来说滚动数组优化的步骤：
- 先用二维或多维解决问题。
- 若状态转移方程的状态只和上一层或上几层格子有关，则可以考虑优化。否则不能优化。
- 若判断出可以优化，则将原来的二维和多维状态减少适当的维度，并看情况修改循环的枚举顺序。
当然不是所有的题都能做空间优化。
动态规划（逆推）
这里思路和之前是一样的，只是状态的设定不同。
以这个样例为例：
5
13
11 8
12 7 26
6 14 15 8
12 7 13 24 11
自底向上计算：（给出递推式和终止条件）
从底层开始，本身数即为最大数；
倒数第二层的计算，取决于底层的数据，每次都取最大：
12 + 6 = 18 ， 13 + 14 = 27 ， 24 + 15 = 39 ， 24 + 8 = 32 12+6=18，13+14=27，24+15=39，24+8=32 12+6=18，13+14=27，24+15=39，24+8=32；
倒数第三层的计算，取决于底二层计算的数据，每次都取最大：
27 + 12 = 39 ， 39 + 7 = 46 ， 39 + 26 = 65 27+12=39，39+7=46，39+26=65 27+12=39，39+7=46，39+26=65，
倒数第四层的计算，取决于底三层计算的数据，每次都取最大：
46 + 11 = 57 ， 65 + 8 = 73 46+11=57，65+8=73 46+11=57，65+8=73，
最后的路径：
5—>13—>8->26—>15—>24。
这是手搓简单情况，复杂情况人的效率远远不及计算机，需要交给计算机来做。
数据结构及算法设计：
图形转化：直角三角形，便于搜索：向下、向右。
用三维数组表示数塔：
a[x][y][1]表示行、列及结点本身数据,
a[x][y][2]能够取得最大值,
a[x][y][3]表示前进的方向，0表示向下，1表示向右。
算法实现：
数组初始化，输入每个结点值及初始的最大路径、前进方向为0；从倒数第二层开始向上一层求最大路径，共循环N-1次；从顶向下，输出路径：究竟向下还是向右取决于列的值，若列的值比原先多则向右，否则向下。
#include<iostream>
using namespace std;
int main()
{int n, x, y;int a[1001][1001][4]={0};cin >> n;for (x = 1; x <= n; x++)//输入数塔的初始值for (y = 1; y <= x; y++) {cin >> a[x][y][1];//1表示值a[x][y][2] = a[x][y][1];//2表示当前状态，未经计算时默认是原来的数a[x][y][3] = 0;//3表示路径走向，默认向下}for (x = n - 1; x >= 1; x--)//从倒数第二行开始推 for (y = 1; y <= x; y++)if (a[x + 1][y][2] > a[x + 1][y + 1][2]) {//选择最大路径值a[x][y][2] = a[x][y][2] + a[x + 1][y][2];a[x][y][3] = 0;}else {a[x][y][2] = a[x][y][2] + a[x + 1][y + 1][2];a[x][y][3] = 1;}cout << a[1][1][2] << endl;//输出数塔最大值枚举路径，这题可忽略//y = 1;//for (x = 1; x <= n - 1; x++){//输出数塔最大值的路径// cout << a[x][y][1] << "->";// y = y + a[x][y][3];//下一行的列数//}//cout << a[n][y][1] << endl;return 0;
}
