开通博客园

2022-01-23 20:35:34 作者：互联网

注意
1.0 学习

#include <iostream>
int main()
{
  return 0;
}

测试

1
1. 和的

动态规划

包括线性DP(数字三角形模型、最长上升子序列模型、编辑距离)、背包模型(01背包、完全背包、多重背包、分组背包、混合背包...)、状态机、状态压缩DP、区间DP(石子合并..)、树形DP、数位DP、单调队列优化DP、斜率优化DP等内容

动态规划

传统dp:
关键词：状态表示、状态转移、最优子结构、重叠子问题、后效性
DP问题一般是求若干有限集合中的最值问题，并且此类问题存在子问题重叠（Overlap-subproblems），如果通过暴力枚举每种可能解决问题，那么将会有大量重复的计算；如果从集合角度来分析DP问题，每次枚举一个集合并且利用子问题重叠特性，将子问题的解存储下来，可以大大提高效率；
DP问题的核心是状态集合 f(i) 的定义，在状态及转移计算中，划分子集的依据：寻找最后一个不同点，即处理最后一个子集的选择。

闫氏DP分析法
从集合角度考虑DP问题，又称闫氏分析法，包含以下两步：

状态表示——集合以及属性(Max/Min/数量/存在性)；
状态计算——集合的划分。一个重要的划分依据：“最后一步”；集合划分原则：可重但不漏。

数字三角形模型

此类问题中：

状态表示
- 集合：从(1,1)移动到(i,j)的所有路线
- 属性：最大/大小
状态计算
- 状态计算：集合划分->最后一步移动方向

摘花生
- 求最大值，初始化为0即可。
最低通行费
- 求最小值，初始化为0x3f3f3f3f
- 注意对于首行首列的处理
方格取数
- 走两次
- 与前两题相比，本题“共走两次”，且每一个数最多只能选一次。可根据前述速录，分两次分开来求，再判断两次是否到达相同格子。减去重复格子即可。
- 维度压缩
  - 四维表示：f[i1,j1,i2,j2]:表示从(1,1)分别走到(i1,j1),(i2,j2)的路径上能取到的数的最大值。
    根据“最后一步”可划分为四种情况。每次均可向右向下组合。
  - 三维表示：关键在于如果在(i,j)重合,必定有两者所走步数相等，此时i1+j1==i2+j2==k（是重合的必要条件); 设两次路径一起走，所走步数为k，则有第一次走到了(i1,k-i1),第二次走到(i2,k-i2);
    此时设f[k,i1,i2]为从(1,1)分别走到(i1,k-i1),(i2,k-i1)代路径上能取到的最大值。
    此时最后一步也是四种情况即，下下f[k-1,i1-1,i2-1],下右f[k-1,i1-1,i2],右下f[k-1,i1,i2-1],右右f[k-1,i1,i2];
- 拓展：k取方格数。方法是费用流中的最大流。动态规划题变成了图论？其实动态规划包含于图论，90%DP都能转化为最短路问题。

最长上升子序列模型

(LIS)Longest Increasing Subsequence
此类问题中：

状态表示
- 集合：所有以a[i]为结尾的严格单调上升子序列
- 属性：最大
状态计算
- 状态计算：集合划分->最后一个不同的点

最长上升子序列LIS
- 动态规划：O(n2)
  - 状态表示：f[i]表示从第一个数字开始算，以w[i]结尾的最大的上升序列。(以w[i]结尾的所有上升序列中属性为最大值的那一个)
  - 状态计算（集合划分）：j∈(0,1,2,..,i-1), 在w[i] > w[j]时，f[i] = max(f[i], f[j] + 1)。
  - 有一个边界，若前面没有比i小的，f[i]为1（自己为结尾）。最后在找f[i]的最大值。
```
cin >> n;
for (int i = 0; i < n; i++) cin >> w[i];

int mx = 1;    // 找出所计算的f[i]之中的最大值，边算边找
for (int i = 0; i < n; i++) {
    f[i] = 1;    // 设f[i]默认为1，找不到前面数字小于自己的时候就为1
    for (int j = 0; j < i; j++) {
        if (w[i] > w[j]) f[i] = max(f[i], f[j] + 1);    // 前一个小于自己的数结尾的最大上升子序列加上自己，即+1
    }
    mx = max(mx, f[i]);
}
```
- (动态规划 + 二分) O(nlogn)
  - 状态表示：f[i]表示长度为i的最长上升子序列，末尾最小的数字。(长度为i的最长上升子序列所有结尾中，结尾最小min的) 即长度为i的子序列末尾最小元素是什么。
  - 状态计算：对于每一个w[i], 如果大于f[cnt-1] (下标从0开始，cnt长度的最长上升子序列，末尾最小的数字)，那就cnt+1，使得最长上升序列长度+1，当前末尾最小元素为w[i]。若w[i]小于等于f[cnt-1],说明不会更新当前的长度，但之前末尾的最小元素要发生变化，找到第一个大于或等于 (这里不能是大于) w[i]，更新以那时候末尾的最小元素。
  - f[i]一定以一个单调递增的数组，所以可以用二分法来找第一个大于或等于w[i]的数字。
```
cin >> n;
for (int i = 0 ; i < n; i++) cin >> w[i];

f[cnt++] = w[0];        // cnt 比已有的大1!!!
for (int i = 1; i < n; i++) {
    if (w[i] > f[cnt-1]) f[cnt++] = w[i];
    else {
        int l = 0, r = cnt - 1;
        while (l < r) {
            int mid = (l + r) >> 1;
            if (f[mid] >= w[i]) r = mid;
            else l = mid + 1;
        }
        f[r] = w[i];    // 用w[i]替换第一个大于或等于w[i]的数字
    }
}
// 
```
  stl版本
```
    cin >> n;
    for (int i = 0 ; i < n; i++) cin >> w[i];
    vector<int> f;
    f.push_back(w[0]);
    for (int i = 1; i < n; i++) {
        if(w[i] > f.back()) f.push_back(w[i]);
        else 
            *lower_bound(f.begin(), f.end(), w[i]) = w[i];
    }
    cout << f.size() << endl;
```
怪盗基德的滑翔翼
- 双向LIS 取最大
登山
- 双向LIS 取和 -1即可
友好城市
- 排序后LIS妙啊
最大上升子序列和
最长公共上升子序列LCS
拦截导弹(贪心)
- 1.贪心
  - 如何证明两个数相等？A>=B A<=B
    A表示贪心算法得到的序列个数，B;表示最优解;
    B<=A， ok A<=B, 使用调整法
- 2.贪心流程
  - 从前往后扫描每个数，对于每个数：
    情况1：如果现有的子序列的结尾都小于当前数，则创建新子序列。
    情况2：将当前数放到结尾大于等于它的最小的子序列后面。
- 3.？？？反链实现？？？Dilworth原理
导弹防御系统(dfs)

背包模型

Article:dd大牛的背包九讲-背包问题汇总

背包模型一般求解

最大值、最小值
方案数
具体方案：最短路问题，即记录转移过程，不能再用状态压缩了？而且如果输出要求字典序最小的方案，则需要对i的遍历顺序变化！！？？

初始化汇总：
背包问题中体积至多是 j ，恰好是 j ，至少是 j 的初始化问题的研究

学背包问题的过程
1、一开始学背包问题时遇到的大多数的状态表示是：从前i个物品中选，且总体积不超过j的问题。
2、慢慢地在提高课中，就有出现状态表示是：从前i个物品中选，且总体积恰好是j的问题。例如 AcWing 1023. 买书，求的是恰好是j的总方案数问题。
3、同时还出现了状态表示是：从前i个物品中选，且总体积至少是j的问题。例如 AcWing 1020. 潜水员，求的是总体积至少是j的最小价值
可以观察到，他们的分析方法以及状态转移方程都是一样的，唯独是初始化有很大的不同

求方案数初始化总结
- 二维情况
  1、体积至多j，f[0][i] = 1, 0 <= i <= m，其余是0
  2、体积恰好j，f[0][0] = 1, 其余是0
  3、体积至少j，f[0][0] = 1，其余是0
- 一维情况
  1、体积至多j，f[i] = 1, 0 <= i <= m，
  2、体积恰好j，f[0] = 1, 其余是0
  3、体积至少j，f[0] = 1，其余是0

求最大值最小值初始化总结
- 二维情况
1、体积至多j，f[i,k] = 0，0 <= i <= n, 0 <= k <= m（只会求价值的最大值）
2、体积恰好j，
当求价值的最小值：f[0][0] = 0, 其余是INF
当求价值的最大值：f[0][0] = 0, 其余是-INF
3、体积至少j，f[0][0] = 0，其余是INF（只会求价值的最小值）

- 一维情况
1、体积至多j，f[i] = 0, 0 <= i <= m（只会求价值的最大值）
2、体积恰好j，
当求价值的最小值：f[0] = 0, 其余是INF
当求价值的最大值：f[0] = 0, 其余是-INF
3、体积至少j，f[0] = 0，其余是INF（只会求价值的最小值）

01背包问题(滚动数组)
每个物品最多只能放一次。
完全背包问题(优化成二维,以及滚动数组)
每种物品可以放无限多次。(空间优化为1维后，只有完全背包是正序遍历)
多重背包问题(倍增优化NVlogS成01背包、单调队列优化)
每种物品有一个固定的次数上限。
混合三种背包问题
将前面三种简单的问题叠加成较复杂的问题。
二维费用的背包问题
一个简单的常见扩展。
分组的背包问题
每组里面只能选一种。后两节的基础。
有依赖的背包问题
另一种给物品的选取加上限制的方法。
泛化物品
我自己关于背包问题的思考成果，有一点抽象。
背包问题问法的变化
试图触类旁通、举一反三。

for 物品 i  
    for 体积 j  
        for 决策 k或s

1.01背包问题

有N件物品和一个容量为V的背包。第i件物品的费用是v[i]，价值是w[i]。求解将哪些物品装入背包可使价值总和最大。
f[i][j]=max{f[i-1][j],f[i-1][j-v[i]]+w[i]}

“将前i件物品放入容量为v的背包中”这个子问题，若只考虑第i件物品的策略（放或不放），那么就可以转化为一个只牵扯前i-1件物品的问题。如果不放第i件物品，那么问题就转化为“前i-1件物品放入容量为v的背包中”，价值为f[i-1][j]；如果放第i件物品，那么问题就转化为“前i-1件物品放入剩下的容量为j-v[i]的背包中”，此时能获得的最大价值就是f[i-1][j-v[i]]再加上通过放入第i件物品获得的价值w[i]。

优化
以上时间和空间复杂度均为O(N*V)
可把空间优化为O(V)

for i=1..N
    for j=V..0     // ！！！
        f[j]=max{f[j],f[j-v[i]]+w[i]};

说明：
其中的f[v]=max{f[v],f[v-c[i]]}一句恰就相当于我们的转移方程f[i][v]=max{f[i-1][v],f[i-1][v-c[i]]}，因为现在的f[v-c[i]]就相当于原来的f[i-1][v-c[i]]。如果将v的循环顺序从上面的逆序改成顺序的话，那么则成了f[i][v]由f[i][v-c[i]]推知，与本题意不符，但它却是另一个重要的背包问题P02最简捷的解决方案，故学习只用一维数组解01背包问题是十分必要的。

关于初始化：

“恰好装满背包”时的最优解
- 要求恰好装满背包，那么在初始化时除了f[0]为0其它f[1..V]均设为-∞
小于容量的最优解
- 初始化时应该将f[0..V]全部设为0

2. 完全背包问题

有N种物品和一个容量为V的背包，每种物品都有无限件可用。第i种物品的费用是c[i]，价值是w[i]。求解将哪些物品装入背包可使这些物品的费用总和不超过背包容量，且价值总和最大。

通过

其中s为体积限制下该物品的最大数量。
即优化过程为：

f[i , j ] = max( f[i-1,j] , f[i-1,j-v]+w ,  f[i-1,j-2*v]+2*w , f[i-1,j-3*v]+3*w , .....)
f[i , j-v]= max(            f[i-1,j-v]   ,  f[i-1,j-2*v] + w , f[i-1,j-3*v]+2*w , .....)
由上两式，可得出如下递推关系： 
    f[i][j]=max(f[i,j-v]+w , f[i-1][j])

f[i][j]=max{f[i-1][j-k*v[i]]+k*w[i] | 0<=k*c[i]<=v}

for(int i = 1 ; i<=n ;i++)
    for(int j = 0 ; j<=m ;j++)
    {
        for(int k = 0 ; k*v[i]<=j ; k++)
            f[i][j] = max(f[i][j],f[i-1][j-k*v[i]]+k*w[i]);
    }
cout<<f[n][m]<<endl;

可优化为
f[i][j]=max{f[i-1][j], f[i-1][j-v[i]]+w[i]}
具体代码为：

for(int i = 1 ; i <=n ;i++)
    for(int j = 0 ; j <=m ;j++)
    {
        f[i][j] = f[i-1][j];
        if(j-v[i]>=0)
        // 注意第二部分 ：  f[i][j-v[i]]
            f[i][j]=max(f[i][j],f[i][j-v[i]]+w[i]);   
    }
cout<<f[n][m]<<endl;

滚动数组优化后代码为
f[j] = max(f[j], f[j-v[i]] + w[i]);
具体代码为：

 for(int i = 1 ; i<=n ;i++)
    for(int j = v[i] ; j<=m ;j++)//注意了，这里的j是从小到大枚举，和01背包不一样
    {
            f[j] = max(f[j],f[j-v[i]]+w[i]);
    }

对比01背包：
f[i][j]=max{f[i-1][j], f[i-1][j-v[i]]+w[i]}
具体代码为：

for(int i = 1 ; i <= n ; i++)
    for(int j = 0 ; j <= m ; j ++)
    {
        f[i][j] = f[i-1][j];
        if(j-v[i]>=0)
        // 注意第二部分 ：  f[i-1][j-v[i]]
            f[i][j] = max(f[i][j],f[i-1][j-v[i]]+w[i]);  
    }

优化后为

综上：
滚动优化前两者相差一点：
f[i][j] = max(f[i][j],f[i-1][j-v[i]]+w[i]);//01背包
f[i][j] = max(f[i][j],f[i][j-v[i]]+w[i]);//完全背包问题
滚动优化后两者代码相同:
f[j] = max(f[j],f[j-v[i]]+w[i]);//01背包倒序啊！

f[j] = max(f[j],f[j-v[i]]+w[i]);//完全背包问题

分组倍增优化
完全背包也能进行分组倍增优化，每种物品的最大数量为j/v[i],但优化后复杂度不如单调队列优化，所有暂不用该优化。此优化可用于多重背包问题中。见下文。

3. 多重背包问题

方法：

暴力转化成01背包
分组倍增优化转化成01背包
最大长度的队列优化，即滑动窗口最大值，模型为单调队列(难)

分组倍增优化(二进制优化)
对于每种物品，均执行：
对于i种物品，最多用s个。此时把s拆分成logs组，1，2，4，...2^logs,每组选或不选，最终能凑成选择0~s个的任意值。将原始物品删除，用新的物品代替其体积和价值。转化为01背包。

将第i种物品分成若干件物品，其中每件物品有一个系数，这件物品的费用和价值均是原来的费用和价值乘以这个系数。使这些系数分别为1,2,4,...,2^(k-1),n[i]-2k+1，且k是满足n[i]-2^k+1>0的最大整数。例如，如果n[i]为13，就将这种物品分成系数分别为1,2,4,6的四件物品。
分成的这几件物品的系数和为n[i]，表明不可能取多于n[i]件的第i种物品。另外这种方法也能保证对于0..n[i]间的每一个整数，均可以用若干个系数的和表示，这个证明可以分0..2^k-1和2k..n[i]两段来分别讨论得出.
这样就将第i种物品分成了O(log n[i])种物品，将原问题转化为了复杂度为O(V*Σlog n[i])的01背包问题.

未优化代码：

for (int i = 1; i <= n; i ++ )
    for (int j = 0; j <= m; j ++ )
        for (int k = 0; k <= s[i] && k * v[i] <= j; k ++ )
            f[i][j] = max(f[i][j], f[i - 1][j - v[i] * k] + w[i] * k);

优化过程：

在完全背包中,通过两个状态转移方程：

f[i , j ] = max( f[i-1,j] , f[i-1,j-v]+w , f[i-1,j-2v]+2w , f[i-1,j-3v]+3w, .....)
f[i , j-v]= max( f[i-1,j-v] , f[i-1,j-2v] + w, f[i-1,j-2v]+2w , .....)

通过上述比较，可以得到 f[ i ][ j ] = max(f[ i - 1 ][ j ],f[ i ][ j - v ] + w)。

再来看下多重背包,

f[i , j ] = max( f[i-1,j] ,f[i-1,j-v]+w ,f[i-1,j-2v]+2w ,..... f[i-1,j-Sv]+Sw, )
f[i , j-v]= max( f[i-1,j-v] ,f[i-1,j-2v]+w, ..... f[i-1,j-Sv]+(S-1)w, f[i-1,j-(S+1)v]+Sw )

二进制优化，它为什么正确，为什么合理，凭什么可以这样分？？

优化后代码：

    int cnt = 0; //分组的组别
    for(int i = 1;i <= n;i ++)
    {
        int a,b,s;
        cin >> a >> b >> s;
        int k = 1; // 组别里面的个数
        while(k<=s)
        {
            cnt ++ ; //组别先增加
            v[cnt] = a * k ; //整体体积
            w[cnt] = b * k; // 整体价值
            s -= k; // s要减小
            k *= 2; // 组别里的个数增加
        }
        //剩余的一组
        if(s>0)
        {
            cnt ++ ;
            v[cnt] = a*s; 
            w[cnt] = b*s;
        }
    }

    n = cnt ; //枚举次数正式由个数变成组别数

    //01背包一维优化
    for(int i = 1;i <= n ;i ++)
        for(int j = m ;j >= v[i];j --)
            f[j] = max(f[j],f[j-v[i]] + w[i]);

解析：

二进制优化，它为什么正确，为什么合理，凭什么可以这样分？？
二进制优化，它为什么正确，为什么合理，凭什么可以这样分？？
我们首先确认三点：

（1）我们知道转化成01背包的基本思路就是：判断每件物品我是取了你好呢还是不取你好。

（2）我们知道任意一个实数可以由二进制数来表示，也就是2^0~2k其中一项或几项的和。

（3）这里多重背包问的就是每件物品取多少件可以获得最大价值。

分析：

如果直接遍历转化为01背包问题，是每次都拿一个来问，取了好还是不取好。那么根据数据范围，这样的时间复杂度是O(n^3),也就是1e+9，这样是毫无疑问是会TLE的。

假如10个取7个好，那么在实际的遍历过程中在第7个以后经过状态转移方程其实已经是选择“不取”好了。现在，用二进制思想将其分堆，分成k+1个分别有2^{k个的堆，然后拿这一堆一堆去问，我是取了好呢，还是不取好呢，经过dp选择之后，结果和拿一个一个来问的结果是完全一样的，因为dp选择的是最优结果，而根据第二点任意一个实数都可以用二进制来表示，如果最终选出来10个取7个是最优的在分堆的选择过程中分成了2}0=1,2^1=2,22=4,10 - 7 = 3 这四堆，然后去问四次，也就是拿去走dp状态转移方程，走的结果是第一堆1个，取了比不取好，第二堆2个，取了比不取好，第三堆四个，取了比不取好，第四堆8个，取了还不如不取，最后依旧是取了1+2+4=7个。

Tip:参考博客

如果仍然不是很能理解的话，取这样一个例子:要求在一堆苹果选出n个苹果。我们传统的思维是一个一个地去选，选够n个苹果就停止。这样选择的次数就是n次

二进制优化思维就是：现在给出一堆苹果和10个箱子，选出n个苹果。将这一堆苹果分别按照1,2,4,8,16,.....512分到10个箱子里，那么由于任何一个数字x ∈[1,1024]
都可以从这10个箱子里的苹果数量表示出来，但是这样选择的次数就是 ≤10次。

这样利用二进制优化，时间复杂度就从O(n^3)降到O(n2logS),从4*10^{9降到了2*10}7。

单调队列优化

多重背包III

关键词：单调队列、斜率优化、

for (int i = 0; i < n; i ++ )
    {
        int v, w, s;
        cin >> v >> w >> s;
        memcpy(g, f, sizeof f);
        for (int j = 0; j < v; j ++ )
        {
            int hh = 0, tt = -1;
            for (int k = j; k <= m; k += v)
            {
                if (hh <= tt && q[hh] < k - s * v) hh ++ ;
                while (hh <= tt && g[q[tt]] - (q[tt] - j) / v * w <= g[k] - (k - j) / v * w) tt -- ;
                q[ ++ tt] = k;
                f[k] = g[q[hh]] + (k - q[hh]) / v * w;
            }
        }
    }

4. 二维费用的背包问题

空间优化后同一维费用，每个费用均采取倒序方式。

5. 分组背包

有 N 组物品和一个容量是 V 的背包。

每组物品有若干个，同一组内的物品最多只能选一个。
每件物品的体积是 vij，价值是 wij，其中 i 是组号，j 是组内编号。si为第i组的物品种类数量。

求解将哪些物品装入背包，可使物品总体积不超过背包容量，且总价值最大。

for (int i = 1; i <= n; i ++ )
    for (int j = m; j >= 0; j -- )
        for (int k = 0; k < s[i]; k ++ )
             if (v[i][k] <= j)
                f[j] = max(f[j], f[j - v[i][k]] + w[i][k]);

...

状态机

状态压缩

区间DP

树形DP

数位DP

单调队列优化DP

斜率优化DP

标签：背包,int,max,博客园,物品,开通,优化,DP
来源： https://www.cnblogs.com/afengcodes/p/15837189.html

开通博客园

动态规划

动态规划

数字三角形模型

最长上升子序列模型

最大上升子序列和

最长公共上升子序列LCS

导弹防御系统(dfs)

背包模型

1.01背包问题

2. 完全背包问题

3. 多重背包问题

4. 二维费用的背包问题

5. 分组背包

状态机

状态压缩

区间DP

树形DP

数位DP

单调队列优化DP

斜率优化DP