前言
动态规划（Dynamic Programming）是c++算法学习当中十分重要而变化灵活的一部分分支，这种算法是通过递推的方式从而达到求出最优解的目的。
动态规划基本原理
能用动态规划解决的问题，需要满足三个条件：最优子结构，无后效性和子问题重叠。
-
最优子结构：每个子问题的解是其本身的最优解。
-
无后效性：已经求解的子问题，不会再受到后续决策的影响。
-
动态规划中可能存在大量的子问题造成的答案重叠。
动态规划基本思路
-
将原问题划分为若干阶段，每个阶段对应若干个子问题，提取这些子问题的状态与特征。
-
寻找每一个状态的可能 决策，或者说是各状态间的相互转移方式和关系。
-
按顺序求解每一个阶段的问题。
背包DP
0-1背包问题
[USACO07DEC]Charm Bracelet S - 洛谷
题目大意：
已知有 \(n\) 个物品，第 \(i\) 个物品的重量 \(w_{i}\)，价值\(v_{i}\)，背包的总容量 \(W\)。求背包可以容下的最大价值。
解题思路
该类型是典型的背包问题，可以设置一个二维数组 \(dp_{i,j}\)，表示在只能放下前 \(i\) 个物品的情况下，容量为 \(j\) 的背包所能达到的最大价值。
考虑一下状态转移方程，当已经放完前面 \(i - 1\) 个物品的时候，对于第 \(i\) 个物品，有两种选择：
-
不放入背包当中，此时 \(dp_{i, j} = dp_{i - 1, j}\)。
-
放入背包当中，此时 \(dp_{i, j} = dp_{i - 1, j - w_{i}} + v_{i}\)。
根据动态规划最优子结构的特征，可以得到接下来的状态转移方程：
\[dp_{i,j} = \max(dp_{i - 1, j}, dp_{i - 1, j - w_{i}} + v_{i}) \]然而在大多数的情况下，直接使用二维数组记录会导致MLE，而又由于该状态转移方程中的第一维只和前一次相关，所以我们可以将第一维压缩为 \(2\) 甚至是可以直接将方程变为一维的。如下：
\[dp_{i,j} = \max(dp_{i \oplus 1, j}, dp_{i \oplus 1, j - w_{i}} + v_{i}) \]\[dp_{j} = \max(dp_{ j}, dp_{ j - w_{i}} + v_{i}) \]大部分背包问题的转移方程都是在此基础上推导出来的。
代码实现
for (int i = 1; i <= n; i++)
for (int j = W; j >= w[i]; j--)
f[j] = max(f[j], f[j - w[i]] + v[i]);
完全背包问题
解题思路
完全背包模型与 0-1 背包类似，与 0-1 背包的区别仅在于一个物品可以选取无限次，而非仅能选取一次。
我们可以仿照0-1背包进行定义动态规划数组： \(dp_{i,j}\)，表示在只能放下前 \(i\) 个物品的情况下，容量为 \(j\) 的背包所能达到的最大价值。
朴素做法：对于第 i 件物品，枚举其选取了多少个物品来进行转移，转移方程如下：
\[dp_{i,j} = \max\limits_{k=0}\limits^{+\infty}(dp_{i-1,j},dp_{i - 1,j - k \times w_{i}} + v_{i} \times k) \]根据优化之后，我们可以通过状态转移方程的重叠子问题优化了复杂度，其状态转移方程如下：
\[dp_{j} = \max(dp_{j}, dp_{j - w_{i}} + v_{i}) \]代码实现
for (int i = 1; i <= n; i++)
for (int j = w[i]; j <= W; j++)
if (f[j - w[i]] + v[i] > f[j])
f[j] = f[j - w[i]] + v[i];
多重背包
解题思路
第一种方法：我们可以采取朴素暴力的思想，将只能选择 \(s\) 件物品转化为 \(s\) 件相同的物品，每种只能选一次的方法，这样我们就可以将其转化为简单的0-1背包问题了。
int main()
{
// ios::sync_with_stdio(0), cin.tie(0), cout.tie(0);
int m, n; cin >> m >> n;
for (int i = 1; i <= n; i++)
{
int s, v, w; cin >> s >> w >> v;
while (s--)
for (int j = m; j >= v; j--)
dp[j] = max(dp[j], dp[j - v] + w);
}
cout << dp[m] << '\n';
return 0;
}
但是这样子拆分不能解决数据较大时的情况，会使得时间复杂度和空间复杂度十分庞大。分析后可发现是由于将其拆分后存在多个相同的方案被重复计算，因此我们可以采用一种方式进行分组优化，使得每一种方案仅仅被计算了一次——二进制分组优化。
第二种优化方法：将一种物品的最多数量 \(s\) 用二进制的方法进行拆分，即 \(s = 1 + 2 + 4 + 8 + \dots\)，这种方法不仅可以减少空间的复杂度，由于遍历一次只需要 \(\log_{2} s\) 次，而
代码实现
signed main()
{
// ios::sync_with_stdio(0), cin.tie(0), cout.tie(0);
int m, n; cin >> m >> n;
for (int i = 1; i <= n; i++)
{
int s, v, w; cin >> s >> w >> v;
vector <int> vc;
int x = 1;
while (s >= x)
vc.push_back(x), s -= x, x <<= 1;
if (s != 0) vc.push_back(s);
// for (auto k : vc) cout << k << ' ';
for (auto k : vc)
for (int j = m; j >= k * v; j--)
dp[j] = max(dp[j], dp[j - k * v] + k * w);
}
cout << dp[m] << '\n';
return 0;
}
当然还有更有的方法。通过用 \(v_i\) 的同余系进行分类，我们不难发现，在对于枚举个数的时候，每个物品只会从它的同余系转移过来。由此通过同余系的划分保证了序列的单调性，使用单调队列进行线性的优化。与之不同的是，背包的大小以及价值会随着数量而变化，只需要加上偏移量即可。
代码实现
cin >> n >> V;
for (int i = 1; i <= n; i ++)
{
int v, w, s; cin >> v >> w >> s;
memcpy(g, f, sizeof g);
for (int j = 0; j < v; j ++)
{
int hh = 0, tt = -1;
for (int k = j; k <= V; k += v)
{
if (hh <= tt && q[hh] < k - s * v) hh ++;
if (hh <= tt) f[k] = max(f[k], g[q[hh]] + (k - q[hh]) / v * w);
while (hh <= tt && g[q[tt]] <= g[k] - (k - q[tt]) / v * w) tt --;
q[++ tt] = k;
}
}
}
cout << f[V] << '\n';
数位 DP
定义
数位 DP 是一种将数据范围按照位数进行拆分，关注每一位上的数字的选择，从而降低时间复杂度，解决有如下特征的特定问题。
- 提供数字区间和特殊的限制，难以甚至无法使用数学推理方法得出答案。
- 数据范围极大，无法线性暴力枚举验证。
- 主要要求计数。
核心原理
本篇着重讲述 dfs 的 DP 做法。
将暴力枚举的方式写成了类似 dfs 的方式以方便使用记忆化搜索加快搜索效率。
数位 DP 之所以可以使用记忆化搜索，是因为由于从高位向低位枚举时往往有大量重复的低位部分重复处理。在这种大量重叠的情况下，记忆化搜索将起到很大的优化作用。
大致模板
预处理数位数组
int divide(int x)
{
len = 0;
while (x) num[++ len] = x % 10, x /= 10;
return dfs...;
}
dfs 数组
int dfs(int pos, int info, bool limit, bool pre)
// 传参的信息有：当前数位所处的位置，与题目有关的信息
// 是否存在限制（即当且的子问题是否处于问题的边界上）
// 是否存在前导 0（视题目而定，可有可无）
{
if (!pos) return info; // 判断边界
if (!limit && f[pos][info][pre] != -1)
return f[pos][info][pre]; // 记忆化搜索
int res = 0;
int up = limit ? num[pos] : 9; // 依据边界限制上边界
for (int i = 0; i <= up; i ++)
{
res += dfs(pos - 1, info..., limit && i == num[pos], pre && !i);
// 向下搜索并向上传递计数
...;
}
...;
if (!limit) f[pos][info][pre] = res; // 更新记忆数组
return res;
}