C++ DP总结
玄学DP
大前提
1、最优子结构；2、无后效性（不被前面影响）；3、写DP时不要考虑是哪种DP（顶多大体分三类：区间DP，树状DP，其它能够依题意设计出状态的DP），状态设计是最重要的！
秘诀
迭代法（当真的不知道怎么改时，可以把整个DP外面套上一个常数级循环（一般为10），如果DP写的有后效性， 经过多次假最大值的迭代后，最后f数组可能就不再变化，此时的值很大可能是最优解（其实就是循环写反了，造成第一遍更新时其它还是初始值，多迭代几次就会找到最优值）；
要点：1、初始化；2、状态转移方程；（重点）；
记忆化搜索
其实，记忆化搜索就是递归版的DP，其用数组记录符合下标条件的（最优）价值；
但符合记忆化搜索需要满足搜索树在下方的某（几）个节点交汇，否则记忆化就变成了DFS，还会增加空间复杂度；
例题：杨辉三角：
1
1 2 1
1 3 3 1
1 4 6 4 1
1 5 10 10 5 1
...
点击查看代码
记忆化：if (!memory[n][m]) memory[n][m] = f(n - 1, m) + f(n, m - 1);
return memory[n][m];
递归边界条件：if (n == m) return 1;
if (n == 0) return 0;
if (m == 0) return n;
背包DP
<1> 01背包：
01背包本质是由上层状态转移而来（满足条件的前提），由于其只能选一次，状态的转移沿对角线方向；初始化为题目所要求；（一般为f[0][0] = 0; memset(f, 0, sizeof(f));）；
当某一层状态转移满时，其后的状态可能会出现不可预料的错误（一般是由于初始化导致的）（初始化非常重要！！！）（其实最优解就在最后一行的某个地方）；当初始化为0xcf时， 可能会出现f[][]数组中有0xcf+符合条件的最优价值的情况；cout << f[n][m]; 也无法出现最优解；（其实f数组中可能根本没有最优解，（初始化已经出现错误，体现了初始化的重要性），max也没用）；
- 朴素做法；
点击查看代码
#include <iostream>
#include <cstring>
using namespace std;
int f[2005][2005]; //f[i][j]表示前i件物品，容量为j时最大价值；
int m, n;
int w[10005], c[10005];
int main() {
cin >> m >> n;
memset(f, 0, sizeof(f));
for (int i = 1; i <= n; i++) {
cin >> w[i] >> c[i];
}
f[0][0] = 0;
for (int i = 1; i <= n; i++) {
for (int j = 0; j <= m; j++) {
f[i][j] = f[i - 1][j];
}
for (int j = w[i]; j <= m; j++) {
f[i][j] = max(f[i][j], f[i - 1][j - w[i]] + c[i]);
}
}
cout << f[n][m];
return 0;
}
- 滚动数组
点击查看代码
#include <iostream>
#include <cstring>
using namespace std;
int c[10005], w[10005]; //w[i]为第i件物品的重量，c[i]为第i件物品的价值；
int f[10005]; //f[i]为 容量为i时的最大价值；
int m, n; //m为背包容量，n为总物品数量；
int main() {
cin >> m >> n;
memset(f, 0, sizeof(f)); //初始化，等待赋值；
for (int i = 1; i <= n; i++) {
cin >> w[i] >> c[i];
}
f[0] = 0; //初始化，当容量为0时最大价值为0；
for (int i = 1; i <= n; i++) {
for (int j = m; j >= w[i]; j--) {
f[j] = max(f[j], f[j - w[i]] + c[i]);
}
}
cout << f[m];
return 0;
}
为啥内层循环要倒序呢？因为每种物品只能选一次， 其实就是第i层的状态只能由第i-1层的状态转移一次得来，若顺序，则当第i层第j个状态被更新时，它就到了第i-1层，后面的第i层的j + w[i]个状态又可能被此状态更新，这样一个物品就拿了两次；
如此循环往复，则物品都能哪无限次了；
01背包求的是最大值，那如果求第k大的呢？
加一维，存储第k大；
点击查看代码
#include <iostream>
#include <cstring>
using namespace std;
int t;
int n, m, K;
int w[10005], c[10005];
int f[1005][1005]; //容积，第k大；
int a[10005], b[10005];
int main() {
cin >> t;
while(t--) {
cin >> n >> m >> K;
memset(w, 0, sizeof(w));
memset(f, 0, sizeof(f));
memset(c, 0, sizeof(c));
memset(a, 0, sizeof(a));
memset(b, 0, sizeof(b));
for (int i = 1; i <= n; i++) {
cin >> c[i];
}
for (int i = 1; i <= n; i++) {
cin >> w[i];
}
for (int i = 1; i <= K; i++) {
f[0][i] = 0;
}
for (int i = 1; i <= n; i++) {
for (int j = m; j >= w[i]; j--) {
for (int k = 1; k <= K; k++) {
a[k] = f[j][k];
b[k] = f[j - w[i]][k] + c[i]; //先把这2k个数储存起来，等下面找出k个大数合并；
}
//下面的步骤，类比归并排序中合并的操作；
int k = 1;
int x = 1;
int y = 1;
a[K + 1] = -1;
b[K + 1] = -1; //两个-1不能忘，因为前面可能有0，如果不赋值为一个极小数，可能下标会越界；
while(k <= K && (x <= K || y <= K)) {
if (a[x] > b[y]) {
f[j][k] = a[x];
x++;
} else if (a[x] <= b[y]) { //不要忘了else！
f[j][k] = b[y];
y++;
}
if (f[j][k] != f[j][k - 1]) { //去重；
k++;
}
}
}
}
cout << f[m][K] << endl;
}
return 0;
}
so，引出下一个背包——
<2> 完全背包（能拿无限件）；
顺序就完事了；
点击查看代码
#include <iostream>
#include <cstring>
using namespace std;
int c[1000005], w[1000005]; //w[i]为第i件物品的重量，c[i]为第i件物品的价值；
int f[1000005]; //f[i]为 容量为i时的最大价值；
int m, n; //m为背包容量，n为总物品数量；
int main() {
cin >> m >> n;
memset(f, 0, sizeof(f)); //初始化，等待赋值；
for (int i = 1; i <= n; i++) {
cin >> w[i] >> c[i];
}
f[0] = 0; //初始化，当容量为0时最大价值为0；
for (int i = 1; i <= n; i++) {
for (int j = w[i]; j <= m; j++) {
f[j] = max(f[j], f[j - w[i]] + c[i]);
}
}
cout << f[m];
return 0;
}
<3> 多重背包（一个物品只能取有限次）；
其实多重背包可以看作是01背包和完全背包的结合版，只需将其转化成01背包，枚举次数求解即可；
- 朴素：
点击查看代码
#include <iostream>
#include <cstring>
using namespace std;
int n, m;
int w[100005], c[100005], num[100005]; //重量，价值，个数；
int f[100005];
int main() {
cin >> n >> m;
memset(f, 0, sizeof(f));
for (int i = 1; i <= n; i++) {
cin >> w[i] >> c[i] >> num[i];
}
for (int i = 1; i <= n; i++) {
for (int j = m; j >= w[i]; j--) {
for (int k = 1; k <= num[i] && k * w[i] <= j; k++) { //枚举个数；
f[j] = max(f[j], f[j - k * w[i]] + k * c[i]);
}
}
}
cout << f[m];
return 0;
}
但是，近乎O(n^3)的做法使其很容易超时，所以要用二进制优化；
二进制优化，就是将一个物品分解成多个二进制数表示的形式，然后再用01背包求解；
如：32 = 2 + 4 + 8 + 16 + 2;
那这五个物品的价值总和就相当于32，且这五个物品只能选一次；
具体看代码：
点击查看代码
#include <iostream>
using namespace std;
int n, m, num;
int w[1000005], c[1000005]; //要开大一点，因为要分解；
int f[1000005];
int main() {
cin >> n >> m; //物品数量和背包容积；
int a, b, num; //每件物品的重量，价值，个数；
int cnt = 0;
for (int i = 1; i <= n; i++) {
cin >> a >> b >> num;
for (int j = 1; j <= num; j <<= 1) { // j *= 2；
w[++cnt] = a * j;
c[cnt] = b * j;
num -= j; //这样就可以保证每件物品只能选一次（因为如果选多次就超过了原来的num；
}
if (num) { //如果num不能完全分解，那就把剩下的直接存入；
w[++cnt] = a * num;
c[cnt] = b * num;
}
}
for (int i = 1; i <= cnt; i++) {
for (int j = m; j >= w[i]; j--) {
f[j] = max(f[j], f[j - w[i]] + c[i]);
}
}
cout << f[m];
return 0;
}
<4> 混合背包；
就是把三种背包混合起来，不同背包用不同方法即可；
但要注意开个结构体存储背包种类；
点击查看代码
#include <iostream>
using namespace std;
struct sss {
int w, c, nu; //重量，价值，背包类型；
}e[1000005];
int n, m;
int f[1000005];
int main() {
cin >> m >> n;
int a, b, num; //同上；
int cnt = 0;
for (int i = 1; i <= n; i++) {
cin >> a >> b >> num;
if (num == 1) { //只能要一个；
e[++cnt].w = a;
e[cnt].c = b;
e[cnt].nu = 1; //01背包；
} else if (num == 0) { //能要无限个；
e[++cnt].w = a;
e[cnt].c = b;
e[cnt].nu = 2; //完全背包；
} else {
for (int j = 1; j <= num; j <<= 1) { //多重背包的二进制优化；
e[++cnt].w = j * a;
e[cnt].c = j * b;
e[cnt].nu = 1; //01背包；
num -= j;
}
if (num) {
e[++cnt].w = num * a;
e[cnt].c = num * b;
e[cnt].nu = 1;
}
}
}
//预处理后直接按背包种类跑DP就行；
for (int i = 1; i <= cnt; i++) {
if (e[i].nu == 1) {
for (int j = m; j >= e[i].w; j--) {
f[j] = max(f[j], f[j - e[i].w] + e[i].c);
}
} else {
for (int j = e[i].w; j <= m; j++) {
f[j] = max(f[j], f[j - e[i].w] + e[i].c);
}
}
}
cout << f[m];
return 0;
}
<5> 分组背包；
一个旅行者有一个最多能用V公斤的背包，现在有n件物品，它们的重量分别是W1，W2，...,Wn，它们的价值分别为C1,C2,...,Cn。
这些物品被划分为若干组，每组中的物品互相冲突，最多选一件。
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。
其实就是分着跑01背包，用结构体存储，按组号升序排列，然后每组跑倒着的01就行；
点击查看代码
#include <iostream>
#include <algorithm>
#include <cstring>
using namespace std;
struct sss{
int w, c, nu; //nu为组号；
}e[1000005];
int n, m, t;
int f[1000005];
bool cmp(sss x, sss y) {
return x.nu < y.nu; //按组号排序，减小复杂度；
}
int main() {
cin >> m >> n >> t;
memset(f, 0, sizeof(f));
memset(e, 0, sizeof(e));
for (int i = 1; i <= n; i++) {
cin >> e[i].w >> e[i].c >> e[i].nu;
}
sort(e + 1, e + 1 + n, cmp);
for (int i = 1; i <= t; i++) { //枚举组号；
for (int j = m; j >= 0; j--) { //先枚举每一个容积，再枚举数量，因为每组至多选一个，每个容积只能被一个物品更新；这里的j从m到0，每个状态都要更新，为下一组的状态继承做铺垫；
for (int k = 1; k <= n; k++) {
if (j < e[k].w) continue;
if (e[k].nu == i) { //如果在第i组；
f[j] = max(f[j], f[j - e[k].w] + e[k].c);
}
}
}
}
cout << f[m];
return 0;
}
思考：如果是最少选一件呢？
需要开二维来记录前i类商品以及花费j；
点击查看代码
#include <iostream>
#include <cstring>
using namespace std;
int n, m, K; //数量，容积，组数；
struct sss{
int w, c, nu; //重量，价值，组号（分组背包存储方法）；
}e[100005];
int f[55][10005]; //前i类，花费（容积）j；
int main() {
while(cin >> n && cin >> m && cin >> K) {
memset(f, -1, sizeof(f)); //-1代表非法，因为0也是一个解；
memset(f[0], 0, sizeof(f[0])); //后面的状态需要由f[0][...]转移而来；
memset(e, 0, sizeof(e));
for (int i = 1; i <= n; i++) {
cin >> e[i].nu >> e[i].w >> e[i].c;
}
for (int i = 1; i <= K; i++) {
for (int j = 1; j <= n; j++) {
for (int k = m; k >= e[j].w; k--) {
if (e[j].nu == i) f[i][k] = max(f[i][k], max(f[i - 1][k - e[j].w] + e[j].c, f[i][k - e[j].w] + e[j].c)); //第二个代表选第j件，但第j件是本组中第一个被选时的情况；第三个代表选第j件，但第j件不是本组中第一个被选时的情况；
}
}
}
if (f[K][m] == -1) {
cout << "Impossible" << endl;
} else {
cout << f[K][m] << endl;
}
}
return 0;
}
<6> 输出方案；
开一个g数组（维数依据题意而定）记录下标状态转移需要这个数组的值；
一般采用递归输出或者ans数组倒序输出；
具体见线性DP；
<7> 有依赖的DP；
详见树状DP；
线性DP
线性DP可以说是应用最广泛的DP了，在后面写坐标DP时，感觉坐标DP就是线性DP的一类，有的区间DP也可以和线性DP结合着做；
线性DP的状态也是一层层转移而来，每层互不影响，如f[i][sth.]可以由f[i - 1][sth.] + value转移而来；
<1> 求最长上升序列并输出路径
点击查看代码
#include <iostream>
#include <cstring>
#include <cstdio>
using namespace std;
int a[100005];
int f[100005]; //f[i]代表a[1 ~ i]这段区间内的最长上升序列（前提是必选a[i]）；
int g[100005];
int n;
void output(int x) { //递归输出序列；
if (x) {
cout << a[x] << ' '; //倒序输出，因为下面i是倒着找的，所以这里要正序输出；
output(g[x]);
}
}
int main() {
memset(a, 0, sizeof(a));
memset(g, 0, sizeof(g));
n = 1;
while(scanf("%d", &a[n]) != EOF) n++;
n--;
for (int i = 1; i <= n; i++) {
f[i] = 1; //当长度（最后一位下标）为1时，最长上升序列长度为1；
}
int ma = -1;
for (int i = n - 1; i >= 1; i--) { //倒序循环，一步步往前更新；
for (int j = i + 1; j <= n; j++) {
if (a[i] < a[j]) { //要求其他序列，改成其它不等符号即可；
if (f[i] < f[j] + 1) {
f[i] = f[j] + 1;
g[i] = j;
}
}
ma = max(ma, f[i]);
}
}
cout << ma << endl; //序列最长长度；
ma = -1;
int o = 0;
for (int i = 1; i <= n; i++) {
if (ma < f[i]) {
ma = f[i];
o = i; //找出最大f的下标；
}
}
output(o); //递归输出；
return 0;
}
<2> 求序列长度的二分查找优化；
优化思路，在内层循环中，一次次枚举去找序列，其实如果单纯求序列长度而不输出路径的话，可以用二分查找去优化；
点击查看代码
#include <iostream>
using namespace std;
int n;
int a[100005];
int d1[100005]; //d1[i] == j代表长度为i的最长不下降序列最后一位是j；
int d2[100005]; //d2[i] == j代表长度为i的最长不上升序列最后一位是j；
int main() {
cin >> n;
for (int i = 1; i <= n; i++) {
cin >> a[i];
}
int l1 = 1;
int l2 = 1; //最开始长度初始化为1，因为有第一个元素；
d1[l1] = a[1];
d2[l2] = a[1];
for (int i = 2; i <= n; i++) { //第一个元素已经确定，从第二个开始；
if (a[i] >= d1[l1]) { //如果这样，满足最长不下降序列，直接接到d1数组中；
d1[++l1] = a[i];
} else { //如果不满足，从d1数组中寻找满足位置（第一个大于它的）并更新值；
int j = upper_bound(d1 + 1, d1 + 1 + l1, a[i]) - d1; //upper_bound返回指针，所以最后要减d1（头指针）；
d1[j] = a[i];
}
if (a[i] <= d2[l2]) {
d2[++l2] = a[i];
} else {
int j = upper_bound(d2 + 1, d2 + 1 + l2, a[i], greater<int>()) - d2; //按照上面的逻辑，应该在d2数组中找第一个小于他的，lower_bound找的是第一个大于等于的，所以不行，而upper_bound+greater<int>()找的是第一个小于它的；
}
}
return 0;
}
总结：线性DP没啥板子，更重要的是思路（DP都是这样），当设计状态转移方程时，不妨多开几个维度，使阶段划分更加明确，状态的设计也就简单了；
维度的设计，主要取决于题干当中关于时间，步数，个数等具有明确阶段的词语，一般用作第一维，剩下的依题干要求即可；
区间DP（合并类DP）
设f[i][j]表示区间i到j上的最优解，可以运用分治的思想，将此区间分成f[i][k]和f[k + 1][j] + 合并这两个区间的价值，依次枚举k并比较大小，同时更新f[i][j]，最后输出所需区间的最大值；
可以发现，区间DP是属于线性DP的，其在线性基础上运行，但和线性DP不同，它的特征是分治，这也是写状态转移方程的重要依据；
但有些算法将区间DP抽象成二维来用（如Floyd），看情况吧；
当遇到环形问题时，通常破环成链，将长度*2，并将数组向后复制一次（如石子合并<2>和<3>)；
区间DP板子：
点击查看代码
for (int len = 2; len <= 总长度; len++) { //枚举区间长度；
for (int i = 1; i + len - 1 <= 总长度; i++) { //枚举区间左端点；
int j = i + len - 1; //区间右端点；
for (int k = i; k < j; k++) { //枚举区间中的断点；
f[i][j] = max(f[i][j], f[i][k] + f[k + 1][j] + value); //这里的+号可以依题意变为其它的，value为合并这两个区间所能产生的价值，因题而异；
}
}
}
例题：整数划分；
坐标DP
坐标DP，即在二维层面进行的DP，特征是在进行DP时不仅仅考虑线性层面，它的上下左右都要考虑到，并且进行状态转移；
和其它DP一样，重点还是在维度的设计，搞清每一维存储什么，多开几维，是做出题的关键；
这种题有好做不难的感觉，但细节处理需要尤为注意，细节决定成败；
树形DP
树形DP，即在树上进行的DP，因为树本身的递归性，所以进行DP时一般借助DFS的形式进行；
对于DP顺序，我们一般采用“叶子到根”的顺序，先递归到叶子节点，在回溯时再一层层的更新我们f数组的值，并最终将全局最优解储存在根节点上；
树状DP的状态转移方程也很有特征，一般第一维存储根节点，剩下的再存储其它信息；
拿到一道树状DP的题，第一步首先是建树，一般采用从根节点出发递归建树的形式，如果题目中很鲜明的给出了“二叉树”这个字眼，那么我们就建一个二叉树（用结构体存储左右儿子以及本节点的值），如果没说，那就建多叉树（一般是用链式前向星或邻接表），多叉树转二叉树几乎用不到（因为我认为这两种做法的难度差不多）；
找根节点时，我们可以存储入度，没有入度的点是根节点；
对于建出森林的情况，我们可以建一个虚点来连接各个根，即可将其转换成一棵树；
建树时，我们的边一般是由根指向儿子，如果非要建无向边，那就bool个vis数组标记一下已访问的点，或者在DFS时多开一个参数记录访问点的父亲以防重复访问；
还有之前提到的有依赖的背包DP--树上背包以及建虚点的操作，可以通过一道例题来理解：选课。
对于普通树状DP以及建树方法，直接看题库中的题即可，不再过多解释；
到此，基础DP就基本结束了；
