滚动数组（简单说明）

前提概要

首先呢，滚动数组是一种能够在动态规划中降低空间复杂度的方法，
有时某些二维dp方程可以直接降阶到一维，在某些题目中甚至可以降低时间复杂度，是一种极为巧妙的思想，
简要来说就是通过观察dp方程来判断需要使用哪些数据，可以抛弃哪些数据，
一旦找到关系，就可以用新的数据不断覆盖旧的数据量来减少空间的使用，
接下来我会介绍一些简单例题来具体解释一下滚动数组的作用。

先以斐波那契数列为例
我们先以斐波那契数列来简单感受一下滚动数组的魅力，先上一段经典的代码（使用滚动数组）

#include<bits/stdc++.h>
using namespace std;
int main()
{int a[37];a[0]=1;a[1]=1;//求斐波那契数列第37个数for(int i=2;i<=36;i++){a[i]=a[i-1]+a[i-2];}printf("%d\n",a[36]);return 0;}

#include<bits/stdc++.h>
using namespace std;
int main()
{int a[3];a[0] = 1;a[1] = 1;for(int i = 1;i <= 35;i++){a[2] = a[0] + a[1];a[0] = a[1];a[1] = a[2];}printf("%d\n",a[2]); return 0;
}

通过观察斐波那契数列方程 f（n）= f（n-1）+ f（n-2），我们可以发现，
我们实际上只需要前两个递推的数求和即可，于是我们可以使用数组的前三个位置来分别存贮数据，待计算完之后，再用新的数据将旧数据覆盖。
这样我们本来需要用三十多个位置的数组，最终却只用了三个位置，大大减少了空间复杂度。
对于某些只需要最终答案的题目，我们可以抛弃掉当中一些不必要存贮的数据，来减少空间的使用。

再以0/1背包为例

这里我们以HDU2602的bone collector题目为例子，
对于每一个状态，我们都可以判断这次是取还是不取或是取不下。
枚举第i个物品，枚举j代表背包可以放的下的体积。
若不取或者取不下，那么结果就是dp[i-1][j]，
若取，就由前面的状态预留出weight[i]的位置再加上i物品的价值，即dp[i-1][j-weight[i]]+value[i]。

可得二维dp方程dp[i][j]=max(dp[i-1][j],dp[i-1][j-weight[i]]+value[i])
我们先来看二维的dp矩阵，
背包价值是{1，2，3，4，5}，对应的体积是{5，4，3，2，1}；

以dp[4][j]->dp[5][j]为例，此时第5个物品的体积为1，价值为5

我们可以清楚的看出来，dp方程递归过程是不断地由上一行的数据传递到下一行，
比如最后dp[5][10]是由dp[5][10]=max(dp[4,10],dp[4,9]+5)）=14推得的,
也就是说当我们递推到dp[i][j]时，对于那些只要求最终最佳答案的题目来说，只需要i-1这行的数据即可，至于上面的i-2,i-3都是不需要的数据，
题目如果并没有要求中间的状态（比如输出背包的方案），我们就可以将其省略来节省空间的使用。
所以我们可以只用一维数组dp[j]来记录数据dp[i][j]的状态，在更新的过程中不断用新的数据dp[j] (dp[i][j]) 覆盖掉旧的数据dp[j]（dp[i-1][j]）。

为什么j维度在01背包是逆序，完全背包是正序呢

我相信会有很多同学对01背包第二维j为什么是倒着递推有疑惑。
我们从正序进行，假设当i=5,j=9时，那么此时dp[9]是由前面的dp[8]和dp[9]递推更新，那么现在dp[9]实际上存贮的是递推得到的dp[5][9]而并非旧数据dp[4][9]，那么也就不能保证dp[5][10]的递推成功（dp[5][10]正确值应该是由dp[4][10]和dp[4][9]递推得到的），但正序的做法却意味着可以多次调用前面的数据，相当于多次取用物品，也就是完全背包（物品可取次数为无限次）的思路了。
那该怎么确保不覆盖dp[9]存贮的数据dp[4][9]呢，那么倒序就起作用了。假设当i=5,j=10时，dp[10]内的数据存贮的是dp[4][10]的数据，由于j从尾部开始枚举，dp[10]就会由dp[9]和dp[10]递推得到（dp[9]存贮的是dp[4][9]，dp[10]存贮的是dp[4][10]）,那么此时dp[10]的值就更新为了dp[5][10]。然后依次类推，因为是倒序的缘故，那么接下来枚举的j都要比先前的j要来的小，所以当某个位置更新数据时，并不会调用其位置后面的数据，一定会是先调用其位置之前的旧数据，然后再将当前位置更新覆盖掉原来的旧数据，也就保证了数据更新的有序性。

小结

对于动态规划题目来说，我们可以先写出最原始的dp方程，再通过观察dp方程，使用滚动数组进行优化，我们需要思考如何更新数据和覆盖数据来达到降维的目的（可能需要很长的时间思考，不过熟能生巧）。

具体代码解析

#include<bits/stdc++.h>
using namespace std;
const int maxn = 1e3+10;
int t,n,v;
int dp[maxn];
int value[maxn];
int weight[maxn];
int main()
{scanf("%d",&t);while(t--){memset(dp,0,sizeof dp);scanf("%d %d",&n,&v);for(int i = 1;i <= n;i++)scanf("%d",&value[i]);for(int i = 1;i <= n;i++)scanf("%d",&weight[i]);// for(int i = 1;i <= n;i++) 原始二维dp方程//     for(int j = 0;j <= v;j++)//     {//         if(j >= weight[i])        //若取得下，则可以选择取或不取//             dp[i][j]=max(dp[i-1][j],dp[i-1][j-weight[i]]+value[i]);//         else  //             dp[i][j]=dp[i-1][j];//     }for(int i = 1;i <= n;i++)    //使用滚动数组优化后的dp方程for(int j = v;j >= weight[i];j--)  //倒序保证数据更新的有序性，保证只取一次，正序则是完全背包的写法dp[j]=max(dp[j],dp[j - weight[i]] + value[i]);printf("%d\n",dp[v]);}return 0;
}