DP的三种常见做法

本文深入探讨了动态规划中的三种核心技巧:记忆化搜索、填表法和刷表法。通过具体实例,如滑雪问题、01背包问题和跑步问题,详细解释了每种方法的应用场景和实现方式。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

        1.记忆化搜索是最容易写,也是效率较高的一种做法.虽然本质上是搜索,但是对搜索过的状态就不再搜索就相当于由已知的来推导未知的,实际上也是DP.通常我们用DFS做,并用一个dp数组来存状态.

例题:>记忆化搜索 : 滑雪<

        2.填表法是最常用的做DP题的方法.即以未知的量为基础,通过已知的量来刷新当前的未知量.这种方法用循环就能做.比如背包问题就是填表法很好的一种应用.

例题:>填表法 : 01背包<

        3.刷表法是一种类似于填表法但用得不多的方法.实际上还是很好用的.这种方法的思想就是以当前的已知量为基础,去更新后面的未知量.

例题:>刷表法 : 跑步<

### 最长公共子序列(LCS)线性DP解法 在处理最长公共子序列(LCS)问题时,通常的动态规划解法时间复杂度为 $ O(n^2) $,这在数据规模较大时无法有效处理。对于洛谷 P2516 题目,需要一种更高效的解法。 #### 问题分析 题目要求找到两个序列的最长公共子序列。假设两个序列分别为 $ A $ 和 $ B $,长度分别为 $ n $ 和 $ m $。常规的 $ O(nm) $ 解法在 $ n $ 和 $ m $ 较大时(如 $ 10^5 $)无法通过。因此,我们需要一种更高效的解法。 #### 线性DP解法思路 在某些特定条件下,可以利用优化手段将 LCS 问题转换为其他问题。例如,当两个序列都是 1 到 $ n $ 的排列时,可以利用最长上升子序列(LIS)的解法来优化。 具体步骤如下: 1. **映射元素位置**:将序列 $ A $ 中每个元素的位置映射到一个数组中,表示该元素在 $ B $ 中的位置。 2. **转换为 LIS 问题**:将问题转换为在映射后的数组中寻找最长上升子序列的问题。这是因为公共子序列在 $ A $ 和 $ B $ 中的顺序必须一致,而最长上升子序列正好满足这一条件。 3. **使用贪心 + 二分法优化 LIS**:利用贪心策略和二分查找优化 LIS 的求解过程,时间复杂度为 $ O(n \log n) $。 #### 代码实现 ```cpp #include <bits/stdc++.h> using namespace std; const int MAXN = 100005; int pos[MAXN]; // 映射数组 int dp[MAXN]; // 用于 LIS 的 dp 数组 int main() { int n; cin >> n; vector<int> A(n), B(n); for (int i = 0; i < n; ++i) { cin >> A[i]; } for (int i = 0; i < n; ++i) { int x; cin >> x; pos[x] = i; // 记录 B 中每个元素的位置 } int len = 0; for (int i = 0; i < n; ++i) { int x = pos[A[i]]; int* p = lower_bound(dp, dp + len, x); if (p == dp + len) { dp[len++] = x; } else { *p = x; } } cout << len << endl; return 0; } ``` #### 说明 - **映射元素位置**:通过 `pos` 数组将 $ A $ 中的元素转换为其在 $ B $ 中的位置,这样可以将问题转换为在 $ A $ 中寻找最长上升子序列。 - **LIS 解法**:利用贪心策略和二分查找,维护一个递增的 `dp` 数组,每次更新 `dp` 数组的值,最终 `dp` 数组的长度即为最长公共子序列的长度。 这种方法在时间复杂度上显著优于传统的 $ O(n^2) $ 解法,适用于大规模数据。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值