夏令营讲课内容整理 Day 5.

DP专场。。

动态规划是运筹学的一个分支，求解决策过程最优化的数学方法。

我们一般把动态规划简称为DP（Dynamic Programming）

1.动态规划的背包问题

有一个容量为m的背包，有n个物品，每一个物品i的重量为w[i]，价值为v[i]。

要求选择一些物品放入背包中，每种物品只能最多使用一次，使得在不超重的情况下让背包中所有物品价值总和最大。

正常向解法：设状态数组f[i][j]为把前i个物品放入一个容量为j的背包中所能获得的最大价值（以下同设），则状态转移方程为：

f[i][j] = max(f[i-1][j],f[i-1][j-w[i]]+v[i])

可优化至一维数组，令j从大到小枚举。

f[j] = max(f[j],f[j-w[i]]+v[i])

1.1完全背包

仍然是容量为m的背包，n个物品，每一个物品i的重量为w[i]，价值为v[i]。

要求选择一些物品放入背包中，并且每一件物品可以选无限多次，使得在不超重的情况下让背包中所有物品价值总和最大。

f[i][j] = max(f[i-1][j],f[i-1][j-k*w[i]]+k*v[i])

第一维也可以优化。

f[j] = max(f[j],f[j-k*w[i]]+k*v[i])

1.2多重背包

依旧是容量为m的背包，n个物品，每一个物品i的重量为w[i]，价值为v[i]。

要求选择一些物品放入背包中，并且每一件物品的数量为s[i]，使得在不超重的情况下让背包中所有物品价值总和最大。

它相对于完全背包的不同之处是每种物品可选的数量有一个上限。

f[i][j] = max(f[i-1][j],f[i-1][j-k*w[i]]+k*v[i]),k*v[i] ≤ j, k ≤ s[i]

它的时间复杂度是O(m*Sigma(s[i]))，而且看起来并不能像之前那样优化了。。

实际上它是可以优化的。

用「二进制拆分」即可。

对每种物品，我们将它转化成若干个物品，其中每个物品有一个系数，这个物品的费用和价值均是原费用和原价值乘这个系数。令这些系数分别为1，2，4，...，2^k-1，s[i]-(2^k)+1，且k是满足s[i]-(2^k)+1>0的最大整数，例如，如果s[i] = 11，就将这种物品分成系数分别为1,2,4,4这四个物品。

这些物品的系数和能拼出[0,s[i]]中的任意一个整数。这样一来我们就把一个n个物品的多重背包问题转化成了一个Sigma(log s[i])个物品的01背包问题了。

时间复杂度为O(m*Sigma(log s[i]))

实际上，这还能再优化。。。

用单调队列。

单调队列形似一个普通队列，但其中的点按顺序存在某种单调性（我记得我Day1的整理上提到过）。

不同于优先队列，他俩内部结构不太一样。

注意转移式：f[i][j] = max(f[i-1][j],f[i-1][j-k*w[i]]+k*v[i]),这时候k的范围已经变成了k≤min(s[i],ceil(j/w[i])).

对于某一个i而言，因为j = k*w[i]+s的点只能转移到j = (k+1)*w[i]+s , (k+2)*w[i]+s...，所以我们可以按对w[i]取模的值对j进行分类。

把模w[i]相等的点放在一起进行转移，转移后的点会放入单调队列中。我们发现由于队列中的点j是从小到大的，所以会存在转移某一点k，队首点head已经不能作为转移点，即(k-head)/w[i]>s[i]。

显然，该点在以后的转移中也不会成为转移点，所以直接弹出队首即可，直到队首可以作为转移点。转移时选择队首的点作为转移点，因为这个单调队列是保证转移式是单调递减的。

将当前点k压入队列时，需要判断队尾点tail与k的优劣。如果tail作为转移点不比k更优，显然tail在以后的转移也不会作为转移点了，弹出tail，直至tail比k更优。

对于每个i来说，单次转移是O(m)的，所以时间复杂度是O(nm).

2.动态规划的线性（序列）类（一维）问题

经典例题：一个长度为n的数列，第i个数为a[i]，要求选择连续且非空的一段，使这一段中所有数的和加起来最大，输出这个最大和。

正在看这篇随笔的读者朋友，您应该会显然想到O(n^2)的做法。

我们考虑DP。令f[i]表示以i为结尾的最大和子段，那么转移只有：和前面的最大子段和连起来,或者自己单独成为一段。

f[i] = a[i] +max(f[i-1],0)

答案是max(f[i]),i∈[1,n]。

时间复杂度O(n)

2.1 LIS

有一个长度为n的序列，第i个数为a[i]，求最长上升子序列的长度。

最长上升子序列的英文名叫Longest Increasing Subsequence，简称LIS。

正在看这篇随笔的读者朋友，您应该会显然想到O(n^2)的做法。

我们重点讨论O(nlogn)的做法。

我们设一个数组g[i]，它表示长度为i的LIS中，作为结尾最小的数。

如果原数组a[i] = {6,7,1,5,4,3,4,2,8}，那么g数组的变化应该是：

1:g [1] = 6

2:g [1] = 6; g [2] = 7

3:g [1] = 1; g [2] = 7

4:g [1] = 1; g [2] = 5

5:g [1] = 1; g [2] = 4

6:g [1] = 1; g [2] = 3

7:g [1] = 1; g [2] = 3; g [3] = 4

8:g [1] = 1; g [2] = 2; g [3] = 4

9:g [1] = 1; g [2] = 2; g [3] = 3; g [4] = 8

容易看出，每次g数组只会修改一个值或者加入一个值。而且无论如何，g数组总是保持单调递增。

显然，当LIS的长度相等时，结尾的数肯定是越小越好，这样才有更大的机会与后面的数相接，才能生成更长的LIS。这样一来，g数组一定是单调递增的，因为g数组不会存一个较长的LIS，使得它的结尾数比较短的LIS还小。每次考虑以i结尾的上升子序列时，我们只要在g数组中找到最大的的小于a[i]的位置j，令g[j+1] = len即可。

由于g单调，所以可以用二分查找来找到位置j，单次转移复杂度为O(logn)。

最终复杂度为O(nlogn).

例：有两个序列a,b，长度分别为n,m，求它们的LCS。

LCS指最长公共子序列。表示从两个序列中各自选出长度相等的子序列，这两个子序列的数对应相等。

设f[i][j]表示两个序列分别dp到第i，j个数，公共子序列的最大长度。

则有

f[i][j] = max(f[i-1][j],f[i][j-1]) (a[i]!=b[j])

f[i][j] = f[i-1][j-1] + 1(a[i] == b[j])

时间复杂度O(n^2)。

例2：在上例条件不变的情况下，求LCIS

LCIS指最长公共上升子序列。表示从两个序列中各自选出长度相等的上升子序列，这两个子序列的数对应相等。

设f[i][j]表示两序列分别以i，j结尾的LCIS。

一个简单的想法是

f[i][j] = max(f[k][l]+1) (k < i , l < j, a[k] < a[i], b[l] < b[j], a[i]==b[j])

我们先枚举i，再枚举j，当a[i] != b[j] 时f[i][j] = 0。但当a[i] >b[j] 时，在同一个i下，所有f[k][j] (k<i)是可以作为转移点转移后面的状态f[i][j']，因为存在方案的f[k][j]一定保证a[k]<a[i],b[j]<b[j']。

我们可以开一个数组来记录第二维为j且第一维小于i的f的最大值,不过第一维是可以被优化掉的。

设计状态f[i]表示b序列以b[i]结尾的LCIS，具体实现：

1 for (int i=1;i<=n;i++){
2     int k= 0;
3     for (int j=1;j<=m;j++)
4         if (a[i] == b[j])
5             f[j] = max(f[j],k+1);
6         else
7         if (a[i] > b[j])
8             k = max(k,f[j]);
9 }

空间复杂度降为O(m)。

3.树形（树上）DP

顾名思义，是在树上所做的动态规划，其基础是树具有严格的层数关系而不会重复的特性。

一般来说树形DP是处理子树的信息以及其相互关系来进行转移。其状态一般会表示成以i为根的子树的DP值。

3.1邻接表存树

在之前的知识点整理上提前说了，这里只提供代码。

 1 struct Edge_tree{
 2     int u,v,w;
 3     int next;
 4
 5 };
 6 Edge_tree edge[maxn];
 7 int cnt = 0;
 8 int first[maxn];
 9 void add_edge(int from,int to,int dis){
10     edge[++cnt].u = from;
11     edge[cnt].v = to;
12     edge[cnt].w = dis;
13     edge[cnt].next = fisrt[from];
14     first[from] =cnt;
15
16     edge[++cnt].v = from;
17     edge[cnt].u = to;
18     edge[cnt].w = dis;
19     edge[cnt].next = first[to];
20     first[to] = cnt;
21
22 }
23
24
25 void dfs_tree(int x,int fa){
26     //cout << x << " ";
27     for (int i = first[x];i!=0;i = edge[i].next)
28         if (edge[i].v != fa)
29             dfs_tree(edge[i].v,x);
30 }

3.2最大连通子树

有一个n个节点的树，每个点有点权a[i]，求一棵连通子树使点权之和最大。

(n ≤ 10^5，|a[i]| ≤ 10^9)

f[u] = a[u] + Sigma(max(f[v],0))

最终答案是max(f[i]), i∈[1,n]

3.3树的直径

有一个n个节点的树，每条边有边权w[i]，求一条路径使得它的所有边权和最大。

这条路径就叫做这棵树的直径。

(n ≤ 10^5，|a[i]| ≤ 10^9)

如果边权保证非负，我们可以用两遍bfs求得直径。具体做法是第一次随便选一个点，bfs求得与它距离最远的点x，再从x出发bfs求得与x距离最远的点y，x与y之间的距离就是树的直径。

若边权存在负数，则不能使用这个方法。

设f[u]表示在u为根的子树中，存在点u的最大路径边权和（u可以为端点也可以为中间的点）

设g[u]表示在u为根的子树中，存在点u的最大路径边权和（u只能为端点，即由u发出的一条链）

f[u] = max( firstmax{g[v] + w(u,v)}, 0) + max(secondmax{g[v] + w(u,v)},0)

g[u] = max{g[v] + w (u,v)}

4.区间DP以及其他DP

4.1区间DP

顾名思义，是在一个区间上进行的一系列动态规划，一般考虑对于每段区间，它们的最优值都是由两段或者更多段的小区间点的最优值得到，是分治思想的一种应用。

一般定义状态f[i][j]表示从区间i到j的DP最优值，转移时枚举中间点k，从f[i][k],f[k+1][j]来进行合并

例题：合并石子

n堆石子排成一列，每堆石子有一个重量w[i]，每次可以合并相邻的两堆石子，一次合并的代价为二者重量之和。问怎样安排合并顺序使得代价最小。

n,w ≤100

解：用s[i]表示石子的前缀和，有

f[i][j] = min(f[i][k]+f[k+1][j]+s[j]-s[i-1])

时间复杂度O(n^3)。

变式：n堆石子排成一个圆，其他条件不变。

解：在后面加上一条排列相同的石子堆，扩展到2n-1个石子。依然是用s[i]表示w[i]的前缀和。有

f[i][j] = min(f[i][k]+f[k+1][j]+s[j]-s[i-1])

时间复杂度O(n^3)，最终答案是min(f[i][i+n-1]),其中1 ≤ i ≤ n。

变式：使最终代价最大，其他条件不变

解：贪心的来想，我们肯定是让每个石子重量都尽可能多的被计算，也就是说每次只合并一个石子进来应该是一个最优的策略。

f[i][j] = max(f[i+1][j],f[i][j-1])+s[j]-s[i-1]

时间复杂度O(n^2)。

4.2棋盘DP

非常好想的一类DP，在一个二维网格（地图）上做DP。

一般设f[i][j]表示走到(i,j)位置上的最优值。

4.3DAG上的DP

给定一个DAG（有向无环图），要求统计一些信息。

DAG是一个比较规则的结构，我们可以对这些点进行拓扑排序后再DP。

4.4状压DP

（GTMDNOIP2016D2T3

状态压缩DP，通过二进制位上的0/1表示状态，一般用于要记录一段较小规模的状态且该状态包含信息较多的问题。

就目前来说，在NOIP史上只有去年考到了。

谁知道今年还会考什么奇怪的东西呢……

4.5概率期望DP

（GTMDNOIP2016D1T3

这种题目会丧心病狂的让你求某一事件的期望或者概率。。

并不想写这类丧心病狂的东西。

4.6数位DP

（这已经超纲了吧。

这种题目一般会让你统计某一区间内的与数位或与数相关的信息，但由于区间较大而没法暴力求解，所以要在数位上进行DP。

就目前来说，没考过，谁知道今年考不考。。

5.相关优化

5.1前缀和优化

一般用于转移点的取值是一段连续的区间，做一下前缀和可以把转移从O(n)降至O(1)。

5.2滚动数组优化

这个还挺常见的。一般用于二维及以上的DP。如果某一维i的dp值只与i-1的dp值有关那么我们不用存这一维全部的情况，用0/1状态来存储当前状态和转移点状态就可以了，这样会降低空间复杂度。

5.3单调性优化

利用对某一属性的单调性来加速转移，体现在减少转移点数量和快速查询转移点的情况，常见的是单调队列，二分查找等。

5.4数据结构优化

即利用一些数据结构来进行优化。NOIP阶段常用堆。

5.5其他优化

减少冗余状态

利用数据结构的特殊性质

女装

转载于:https://www.cnblogs.com/OIerShawnZhou/p/7401401.html

夏令营讲课内容整理 Day 5.相关推荐

人工智能/云原生/数据科学/计算等方向内容整理志愿者招募了！
持续招募内容整理志愿者!云原生.数据科学.AI.低代码.计算等方向,有意愿的小伙伴,欢迎识别二维码提前报名哦.我们将持续为爱学习.有时间的小伙伴,提供多重福利! 要求: 1. 你需要具备一定学术背景, ...
CSS核心内容整理 - (中)
2019独角兽企业重金招聘Python工程师标准>>> 本文是CSS核心内容整理的第二篇,承接上一篇的内容继续对CSS的一些重要内容进行整理,推荐先看完这个系列的上一篇. 四. 页 ...
linux过滤输出内容,Linux内容整理--过滤器、输入输出及管道
Linux内容整理--过滤器.输入输出及管道1.过滤器 Linux中的应用工具分为三种: 1.交互工具 2.过滤器 3.编辑器能够接受数据,过滤再输出的工具,称为过滤器. 对过滤器和进程,存在着输入 ...
ACL和NAT内容整理
目录一.ACL内容整理 1.1ACL的作用与原理 1.2ACL的种类 1.3ACL应用规则 1.4ACL命令二.NAT内容整理 1.1什么是NAT 1.2NAT的工作原理: 1.3NAT功能: 1 ...
【项目管理】Scrum内容整理
针对Scrum相关内容整理如下:(持续更新补充) 目录定义角色四个会议实施流程工具通用实践敏捷价值观 (更重视左边) 敏捷原则相关观点定义 Scrum是迭代式增量软件开发过程,通常用 ...
【项目管理】RUP内容整理
针对RUP相关内容整理如下:(持续更新补充) 目录定义核心概念三大特点核心工作流十大要素相关观点定义 RUP(Rational Unified Process),统一软件开发过程,统一软 ...
【项目管理】PMO内容整理
针对PMO相关内容整理如下:(持续更新补充) 目录定义职责引入作用工作思路具体落地建议相关观点定义 PMO (Project Management Office)一般称为项目管理办公室. ...
【项目管理】CMMI内容整理
相关CMMI 内容整理如下:(持续更新补充) 目录定义五大级别引入原因认证给企业带来的价值实施流程相关观点定义 CMMI的全称为Capability Maturity Model In ...
云原生/低代码/数据科学/计算等方向内容整理志愿者招募了！
持续招募内容整理志愿者!云原生.数据科学.AI.低代码.计算等方向,有意愿的小伙伴,欢迎识别二维码提前报名哦.我们将持续为爱学习.有时间的小伙伴,提供多重福利! 要求: 1. 你需要具备一定学术背景, ...

夏令营讲课内容整理 Day 5.

夏令营讲课内容整理 Day 5.相关推荐

最新文章

热门文章