常见DP类型
第一节：线性DP
思想：DP是作用在线性空间上的递推——DP的阶段按照各个维度线性的增长，从一个或多个边界点开始有方向的向整个状态空间转移扩展，最后在每个状态上保留的以自身为目标问题的最优解
简单的说，DP是不断划分自己的子问题（满足能从小问题推出大问题的答案），从最小的子问题开始一步步逼近目标点得到答案
DP实现的方式：
1.正序计算，
这里适用于最小的子问题可以直接得到解，且终态是一个确定的解。适用于大部分DP情况
2.倒序计算。
即我们知道终态的答案或者是由初始状态可以推出多个最终状态，此时就可以由终态反推回去。常用于数学期望的DP（期望性质：\(E(ax+by)=aE(x)+bE(y)\)）
3.记忆化搜索 常数略大于一般DP
这里普遍用于DP在状态空间上的遍历很难直接用循环表示出来，或者说，不能用循环表示，此时一般使用记忆化搜索，多数用于图的DP
编写技巧
1.可以思考从当前答案向前推，亦或者用以前的答案求现在的答案两种形式，有些时候两种方式的实现复杂度会相去甚远
2.在DP的状态转移的时候，可以观察多重循环中相对内层循环的不变条件，以及内层循环的变量取值的域，对此可以适当的优化
比如LCIS这道题中，最后一层循环的k可以省去，因为k的取值在j+1时取值范围只会增大一，就可以省略最后一层，避免重复计算，观察决策集合随着外层循环的变化，若值增大不减小且限制条件不变，便可以只用一个变量来维护决策
3.注意挖掘题目中的维度，阶段
4.当DP涉及多个序列或者是连续性，需要序列末尾值的时候，可以将序列末尾的值当作一个状态存下（也可以用其他维度代表）
5.尽量地省略维度，在一个维度可以被其他维度表示出来的时候（这个关系往往需要去发现），就可以省掉这一维度
6.有些时候并不好确定DP的顺序，就可以使用贪心，topsort这些确定DP顺序，一般需要在题目里挖掘条件
7.缩放的艺术，当DP的f值只与前面的元素的相对关系有关的时候，就可以缩放状态，以保持相对关系不变性（比如所有都加一减一啥的）。。。比如ACwing277.饼干
8.当仅仅是题目中的维度不足以表示出整个状态，需要某些变量的时候，就可以找到某些变量将其也作为维度
9.需要注意DP时循环顺序应为：阶段->状态->决策
第二节——背包
01背包：
问题描述：有\(n\)个物品，其中第\(i\)个物品体积记作\(V_i\),价值记作\(W_i\),要求从中选出若干个，使得总体积不超过\(M\)，且价值和最大
模板：
int f[MAX_M];
memset(f,0xcf,sizeof f)l;
for(int i=1;i<=n;i++){
for(int j=mj>=v[i]--j){//注意是倒序计算
f[j]=max(f[j],f[j-v[i]]+w[i]);
}
}
int ans=0xcfcfcfcf;
for(int i=0i<=mi++)ans=max(f[i],ans);
统计方案的时候把\(\max\)改成加
完全背包
问题描述：同01背包，但有无数个物品
板子:
int f[MAX_M];
memset(f,0xcf,sizeof f);
for(int i=1;i<=n;i++){
for(int j=v[i];j<=m;++j){//注意是正序计算
f[j]=max(f[j],f[j-v[i]]+w[i]);
}
}
int ans=0xcfcfcfcf;
for(int i=0;i<=m;i++)ans=max(f[i],ans);
解释:我们省略了第一维，所以倒序枚举的时候是建立在\(i-1\)的基础上的，而正序建立在\(i\)的基础上，就可以被重复计算
原因：二者二维递推式：
01背包
\[f_{i,j}=\max(f_{i-1,j},f_{i-1,j-v[i]}+w[i](j \ge v[i])) \]完全背包
\[f_{i,j}=\max(f_{i-1,j},f_{i,j-v[i]}+w[i](j \ge v[i])) \]多重背包
问题描述：有\(n\)种物品，每种有\(C_i\)个，其中第\(i\)种物品体积记作\(V_i\),价值记作\(W_i\),要求从中选出若干个，使得总体积不超过\(M\)，且价值和最大
思路
1.暴力拆他死了
2.二进制拆分
先上复杂度 \(\Theta(nM\log E)\) 其中\(E\)是\(C_i\)的值域
思想：因为每一个数都可以表示为若干个二的整次幂(不重复)的和
所以我们可以计算出一个\(p_i\)满足:
且这个\(p\)最大
此时我们就可以将\(C_i\)拆分成\(p+2\)个部分，即：
\(2^0,2^1,2^2,…,2^p,C_i- \sum_{i=0}^p2^i\),最后那个式子可以由等比数列求和公式改为:\(C_i-2^{p+1}+1\)
这样我们就可以把一共\(\sum_{i=1}^nC_i\)个物品拆为少于\(n \times \log E\)个物品，成功地掉了复杂度，一般已经够用
3.单调队列优化
见下：单调队列优化DP
分组背包
问题描述:给定\(N\)组物品，其中第\(i\)组有\(C_i\)个物品，其中第\(j\)个物品的体积为\(V_{i,j}\),价值为\(W_{i,j}\),有一容量为\(M\)的背包，要求选择若干个物品，使每组最多选择一个，且物品总体积小于\(M\)的情况下价值最大
还是以原始的二维DP，设 \(f{i,j}\) 表示在前\(i\)选出总体积为\(j\)的物品放入背包的最大价值，有DP式：
\[f_{i,j}=\max(f_{i-1,j},\max_{1\le j \le C_i}f_{i-1,j-V_{i,k}}+W_{i,k}) \]同样的，省略第一维i,可得
memset(f,0xcf,sizeof f);
f[0]=0;
for(int i=1i<=ni++);
for(int j=mj>=0j--);
for(int k=1k<=c[i]k++);
if(j>=v[i][k]);
f[j]=max(f[j],f[j-v[i][k]]+w[i][k]);
这里需要注意的是
1.倒序循环\(j\)
2.对于每组物品的循环\(k\)应该放在\(j\)的内层，目的是如果放在外面因为一维数组所以可能变成多重背包
(\(i\)是阶段,\(i,j\)构成状态，\(k\)是决策，应该按照\(i,j,k\)的顺序来)
区间DP
概念：关于序列上区间的DP问题
设计技巧：通常有两个维度l,r表示目前DP的区间，需要注意的是，必须如下这样写
for(int len=2len<=nlen++){
for(int l=1,r=lenr<=nl++,r++){
……
}
}
其目的是为了满足DP原则：先解决所有的小问题
在区间DP中，DP的阶段就是区间，使用两个区间端点l,r描述一个状态。同样是当前区间的答案为一些小区间的答案组合而来，所以我们DP的决策一般就是关于区间的划分。而区间DP的初始化一般就是对长度为1的"元区间"
同样的，在DP时，务必将阶段，状态，决策三者自外向内循环
在区间DP的过程中，决策一般就是区间划分，所以我们一般在关于第三层循环内循环k对区间进行划分统计
区间DP的编写技巧及注意事项：
1.对于带环状的区间，我们可以将\(1\sim n\)复制一倍接在后面形成一个\(2n\)的链，在其上进行统计，最后枚举所有长度为\(n\)的区间\([i,i+n-1](1\le i\le n)\)
2.无论在什么时候，都要牢记动态规划的三原则三要素，时刻关注后效性和最优子结构性质
3.在自己进行区间DP时一定要反复问自己是否决策不完全
4.在两个序列以乘法形式合并的时候，最大值只有可能从1.两个序列最大值相加相乘，2.两个序列最小值相乘(负负得正) 3.一个序列的最大值乘另一个序列的最小值（两个序列都一正一负）。最小值同理
5.有时关于区间DP计数的时候，一定要注意不重不漏，关于DP的状态的设计，很多时候一些状态可以代表多个信息。在ACwing.284金字塔中，就有可能重复这时候我们让区间划分点k的含义[l,k]只能是第一颗子树，就不会重复也不会漏掉。。这里我们附加的这个信息必须具备2个性质:1.对所有的情形下都具有这个性质。2.必须满足不重不漏
6.在DP的方案统计的时候，如果一个状态的多个决策之间满足加法原理，而各个决策的方案又满足乘法原理时，在状态转移的时候各个决策必须具备互斥性才不会重复，对于互斥性的问题，我们可以挖掘题设条件，在DP的维度进行限制，比如改变某个维度的含义或者对这个含义进行缩小范围
7.当一般的\(f[l,r]\)并不能够维护好DP的信息的时候，我们观察题目数据范围，可以进行增加维度，如果时间复杂度过高则考虑优化或者换思路
8.在编写DP的时候，一定要注意当各个决策之间具有递归，嵌套性质的时候，在转移的时候就必须考虑之前的那些的嵌套关系，如AcWing.319折叠序列，我们使用KMP求出最小循环元之后，还得考虑这个最小循环元可不可以进行若干个拼凑起来的折叠，故我们得从最小循环元那里转移状态而不是直接用最小循环元算
树形DP
简述：在一颗树（通常是无根树，也就是\(n-1\)条边的无向图），我们可以任意拉一个节点为根节点，从而定义出节点的深度，根，子树大小等信息。在树上设计动态规划算法时，一般第一维为节点的编号，以节点由深到浅作为DP的阶段，树上的动态规划主要有两种形式：1.自顶向下的记忆化搜索。2.自底向上的topsort,其中绝大多数时候应用记忆化搜索。先递归子节点，回溯的时候进行状态转移
树形DP与背包
即有树形依赖的背包问题，例如AcWing.324
题意简述：给定一棵树，每个节点都有代价\(W_i\)，你可以选择节点\(x\)并付出\(W_x\)的代价得到\(x\)及\(x\)的子树,求得到\(m\)个节点的最小代价
我们发现，对于\(u\)，它的任意子节点\(v\)只能选择一个状态转移到\(u\),这里就是一个分组背包模型
设\(F[u][t]\)表示在以\(u\)为根的子树中，选择\(t\)个节点的最小花费
这是一个背包模型：我们有\(p=|Son(u)|\)(u的子节点集合)组物品，每组物品有着\(siz(x)\)     \((x\in Son(u))\)  个，每组物品只能最多选择一个(因为只能有一个状态转移到父节点)，第\(i\)组第\(j\)个物品有着体积\(V_{i,j}\)和代价\(W_{i,j}\),从中选出若干个物品，使得体积之和为\(m\)，并且代价最小
这里的状态转移方程就很好写了
\[F[u][t]=\min_{v\in Son(u)}\min_{0\le k\le \min(t,siz(v))}{F[v][k]+F[u][t-k]} \]当然这个循环顺序还是按照阶段->状态->决策安排，即我们将\(v\)放在最外层，将\(t\)放在第二层（注意倒序），将\(k\)放在最里面
在最后我们还要考虑一下整体买整个子树的代价
即：\(F[u][j]=\min(F[u][j],F[u][\max(0,j-siz(u))]+W_u)\)
最后提一下本题其实是若干棵树，也就是一个森林，遇此情况我们一般都是建立一个虚拟节点0（统计答案时排除），将0作为森林中若干树的根节点的父亲最后在这颗新树上统计即可
void dp(int u){
siz[u]=1;
f[u][0]=0;
for(int i=head[u];i;i=nxt[i]){
int v=ver[i];
dp(v);
siz[u]+=siz[v];
}
for(int i=head[u]ii=nxt[i]){
int v=ver[i];
for(int t=siz[u]t>=0t--){
for(int j=0j<=siz[v]++j){
if(t>=j)f[u][t]=min(f[u][t-j]+f[v][j],f[u][t]);
}
}
}
if(u!=root){
for(int i=0i<=siz[u]i++)f[u][i]=min(f[u][i],cost[u]);
};
};
总结：其实也就是换汤不换药，背包的式子都没变，只是把以前的顺序枚举变成了枚举子树
顺带提一下，有一种方法，是把多叉树转为二叉树，以此更好编码统计，但不提倡，因为会耗费额外空间，并且容易混淆
二次扫描与换根法
适用范围：对于一类在无根树上的统计问题，需要枚举各个点为根节点进行统计的时候复杂度\(O(n^2M)\),其中M是统计的额外操作时间，用此法可将复杂度消去一个\(n\)
思想阐述：第一次\(dfs\),任选一个根节点\(rt\)，统计信息,第二次\(dfs\)借助第一次\(dfs\)的信息，这里假设我们以节点\(u\)为根时答案为\(F_u\),则我们对每一个\(v\in Son(u)\),因为\(u->v\)之间只有一条边的差异，所以我们可以在一般\(O(1)\)的时间内统计出将根节点从\(u\)改为\(v\)的时候对答案的影响(需要的信息需要在两次\(DFS\)中统计出来）从而计算出\(F_v\)再继续递归下去：
其本质仍然是充分利用已知信息，避免冗余计算
例如计算机此题
题意简述：给定一颗带权无根树，求出每个节点在树中距离最远的点
现在用二次扫描与换根法的思路来解决这个问题
首先我们先来分析我们从一个节点\(u\)转移到\(v\), (\(v\in Son(u)\))的时候需要哪些信息：
设在树中距离节点\(i\)最远的节点为\(f_i\)
对于一个节点\(u\)的最长路有两种情况：在树中（\(f_u\)在\(u\)中）和不在树中(此时是\(u\)在\(f_u\)的子树中)
而对于\(v\)也有两种情况：\(v\)在u的最长路上(此时\(f_u\)必须在u的子树里)，\(v\)不在u的最长路上
而如果是第一种情况，转移的话需要知道\(u\)在树中的次长路，和\(u\)在树外的最长路，因为这两个值是有可能更新答案的
综上分析，我们需要维护三个信息:1.u在自家树中的最长路。2.u在自家树中的次长路。3.u在自家树外的最长路
其中信息1.2是可以在第一次\(dfs\)中找出来的，信息三的话，我们之前提到过：u在自家树外的最长路，此时u是在这个点的树里的，故我们可以在树自顶向下的时候统计求出
所以我们可以设\(f_{u,0/1/2}\)分别表示树内最长路，树内次长路，树外最长路，借此换根统计答案即可。
int dp(int u,int fa){;
if(f[u][0]>=0)return f[u][0];
f[u][0]=f[u][1]=f[u][2]=lst[u]=0;
for(int i=head[u];i;i=nxt[i]){
int v=ver[i],w=cost[i];
if(v==fa)continue;
if(f[u][0]<dp(v,u)+w){
f[u][1]=f[u][0];
f[u][0]=dp(v,u)+w;
lst[u]=v;
}
else if(f[u][1]<dp(v,u)+w)
f[u][1]=dp(v,u)+w;
}
return f[u][0];
}
void dfs(int u,int fa){
for(int i=head[u];i;i=nxt[i]){
int v=ver[i],w=cost[i];
if(v==fa) continue;
if(v==lst[u])f[v][2]=max(f[u][1],f[u][2])+w;
else f[v][2]=max(f[u][0],f[u][2])+w;
dfs(v,u);
}
}
最后再次强调，我们在程序设计时，一定要有充分利用所有信息以及时间，空间
标签：维度,背包,int,常见,物品,类型,节点,DP From： https://www.cnblogs.com/oierpyt/p/16940014.html