定义:按照定义:动态规划是把一个大问题拆解成一堆小问题,且这些小问题可以重复利用至求出大问题。
即什么时候能用dp:
1满足最优子结构
大问题的最优解可以由小问题的最优解推出,大问题与小问题求解思路一致。
2.满足无后效性
一旦f(n)确定,后续就可直接调用它的值,而不用关心它是怎么样过来的。即可从小问题退出大问题。
3.设计好状态
想办法把当前局面给表达出来
4.设计好状态转移方程
我从哪里来,或我到哪里去
问题:
若干硬币,面值 1,5,10,20,50,100
凑出价值w,至少需要多少硬币。比如w=600;
思路一(贪心策略):每次面值最大思考:即一共需要 10枚
6枚100,1枚50,1枚10,1枚5,一枚1
缺点:但是如果面值为1,5,11.凑15.用贪心则为5,实际只需要3枚5 (鼠目寸光,贪心的缺 点)
思路二: 暴力枚举,但是复杂度太高,容易超时。
思路三(dp):每次选取,更新剩余,整合之前最优在解决
dp思路:从凑出价值为0开始计算每部小问题最少需要多少硬币,进而退出更大的价值至少需要多少硬币。
分析:
从小问题逐渐求出大问题,且比较每部小问题最少需要多少个硬币。
#includeusing namespace std; int min(int a,int b){ return a=0)cost=min(cost,dp[i-1]+1); if(i-5>=0) cost=min(cost,dp[i-5]+1); if(i-11>=0)cost=min(cost,dp[i-11]+1); dp[i]=cost; //不断更新。 cout< lis(最长上升子序列问题)
问题:给定长度为n的序列,从中选取一个子序列
这个子序列需要单调递增,问最长上升子序列(lis)长度。
思路:以每一个值为序列结尾,比较它前面比他小且递增的值,更新状态。最后比较哪一个值为序列结尾时最长。 即此时为最长上升最序列。
考虑比x小的每一个p,若a[x]>a[p]即,f(x)=f(p)+1;例:序列: 1 3 8 4 5
当1为最后一个时,可由本身 即f(1)=1;
当3为最后一个时,可以由1推过来,即f(3)=f(1)+1=2
或自己推自己:f(3)=0+1=1; 即为f(3)=2.
当8为最后一个时, 可由1推 即f(8)=f(1)+1=2。
可由3推过来,即f(8)=f(3)+1= 3.
或自己推自己。 f(8)=0+1=1 即f(8)=3
当4为最后一个时 即f(4)=f(1)+1=2 或 f(4)=f(3)+1=3 或f(4)=0+1=1 即f(4)=3
当5为最后一个时 f(5)=f(1)+1=2
f(5)=f(3)+1=3
f(5)=f(4)+1=4
f(5)=0+1=1. 即f(5)=4。
即max(f(1),f(3),f(8),f(4),f(5))=4
#includeusing namespace std; int a[100]; int dp[100]; int main(){ int n; cin>>n; for(int i=1;i<=n;i++) cin>>a[i]; for(int i=1;i<=n;i++){ dp[i]=1;//初始为1 for(int j=1;j 欢迎分享,转载请注明来源:内存溢出
评论列表(0条)