1、动态规划（dynamic programming）与分治方法相似，都是通过组合子问题的解 来求解原问题
分治方法 将问题划分为互不相交的子问题，递归地求解子问题，再将它们的解组合起来。求出原问题的解
与之相反，动态规划则用于 子问题重叠的情况，即不同的子问题具有公共的子子问题（子问题的求解是递归进行的，将其划分为更小的子子问题）
分治算法会做许多次冗繁的工作，它会反复地求解那些公共子子问题。而动态规划算法对每个子子问题只求解一次，将其解保存在一个表格中，从而无需每次求解一个子子问题时都重新计算，避免了这种不必要的计算工作
2、动态规划方法通常用来 求解优化问题。这类问题 可以有很多可行解，希望寻找具有最优值（最小值 或 最大值）的解。称这样的解为 问题的一个最优解，而不是最优解，因为可能有多个解都达到最优值
4、按如下4个步骤来设计一个动态规划算法：
- 刻画一个最优解的结构特征
- 递归地定义最优解的值
- 计算最优解的值，通常采用自底向上的方法
- 利用计算出的信息构造一个最优解
仅仅需要 一个最优解的值，而非解本身，可以忽略最后一步。如果确实需要步骤4，有时就需要 在执行步骤3时 维护一些额外信息，以便用来构造一个最优解
1、钢条切割
钢条切割问题：给定一段长度为n英寸的钢条 和 一个价格表P_i（i = 1, 2, …, n），求切割钢条方案，使得销售收益 r_n 最大
最优解可能就是完全不切割钢条
1、给出了4英寸钢条 所有可能的切割方案，包括根本不切割的方案
更一般地，对于r_n (n >= 1)，可以用更短的钢条的最优切割收益 来描述它：
第一个参数 p_n 对应不切割，直接出售 长度为 n 英寸的钢条的方案。其他 n - 1 个参数对应另外 n - 1 种方案；首先 将钢条切割为长度为 i 和 n - i 的两段，接着求解这两段的最优切割收益 r_i 和 r_n-i
求解规模更小的子问题，通过组合 两个相关子问题的最优解，并在所有可能的两段切割方案中 选取组合收益最大者，构成原问题的最优解。钢条切割问题 归结为最优子结构性质：问题的最优解 由相关子问题的最优解组合而成，而这些子问题可以独立求解
2、钢条切割问题 还有一种相似 但更为简单的递归求解方法：
将钢条 从左边切下长度为 i 的一段，只对右边剩下的长度为 n - i 的一段继续进行切割 (递归求解)，对左边的一段 则不再进行切割。即问题分解的方式为：将长度为 i 的钢条 分解为左边开始一段，以及剩余部分继续分解的结果
可以得到 上面公式 的简化版本
原问题的最优解 只包含一个相关子问题 (右端剩余部分) 的解，而不是两个
3、自顶向下递归实现：
CUT-ROD(p, n)
1 if n == 0
2 return 0
3 q = -∞
4 for i = 1 to n
5 q = max(q, p[i] + CUT-ROD(p, n-i))
6 return q
过程CUT-ROD 返回长度为n的钢条的最大收益。一旦输入规模稍微变大，程序运行时间会变得相当长。每当n增大1，程序运行时间差不多就会增加1倍
为什么 CUT-ROD 的效率这么差？原因在于，CUT-ROD反复地用相同的参数进行递归调用，即 它反复求解相同的子问题，n 每增大1，就会把之前求过的再求一遍
令 T(n) 表示当第二个参数值为 n 时 CUT-ROD 的调用次数，T(0) = 1（每次调用 纵向n减1就结束了 T(n - 1)，横向 n - 2 递减至0，看上面例子）
第一项 “1” 表示函数的第一次调用 (递归调用树的根结点)，T(j) 为调用 CUT-ROD(p, n-i) 所产生的所有调用 (包括递归调用) 的次数，此处 j = n - i
即 CUT-ROD 的运行时间为 n 的指数函数（可以使用 数学归纳法 证明）
CUT-ROD 考虑了所有 2n-1 种可能的切割方案。递归调用树中 共有 2n-1 个结点，每个叶结点 对应一种可能的钢条切割方案
4、使用动态规划方法 来解决最优钢条切割问题：将 CUT-ROD 转换为一个更高效的动态规划算法
朴素递归算法 之所以效率很低，是因为 它反复求解相同的子问题。动态规划方法在仔细安排求解顺序，对每个子问题 只求解一次，并将结果保存。如果随后需要此问题的解，只需要 查找保存的结果，而不需要 重新计算
动态规划方法 是付出额外的内存空间 来节省计算时间，是典型的 时空均衡 例子，即用空间换取时间。而时间上的节省可能是非常巨大的：可能将一个指数时间的解 转化为 一个多项式时间的解。如果子问题的数量是 输入规模的 多项式函数，可以 在多项式时间内求解出每个子问题，那么动态规划方法的总运行时间 就是多项式阶的
5、动态规划有两种等价的实现方法
1）带备忘的自顶向下法。此方法仍按 自然的递归形式 编写过程，但过程会保存 每个子问题的解 (通常保存在一个数组或散列表中)。当需要一个子问题的解时，过程 首先检查是否已经保存过此解。如果是，则直接返回保存的值，从而节省了计算时间；否则，按通常方式计算这个子问题。这个递归过程是带备忘的，因为它“记住”了已经计算出的结果
自顶向下CUTROD过程的伪代码， 加人了备忘机制
MEMOIZED-CUT-ROD(p, n)
1 let r[0..n] be a new array // 多了个名字为r的记录数组
2 for i = 0 to n
3 r[i] = -∞
4 return MEMOIZED-CUT-ROD-AUX(p, n, r)
MEMOIZED-CUT-ROD-AUX(p, n, r)
1 if r[n] ≥ 0
2 return r[n]
3 if n == 0
4 q = 0
5 else q = -∞
6 for i = 1 to n
7 q = max(q, p[i] + MEMOIZED-CUT-ROD-AUX(p, n-i, r)) // 有个反复递归求解的过程
8 r[n] = q
9 return q
2）自底向上法。这种方法 一般要恰当定义子问题“规模”概念，便得 任何子问题的求解 都只依赖于“更小”的子问题的解。将子问题按规模排序，按从小到大的顺序 进行求解。当求解某个子问题时，它所依赖的 所有更小子问题也必然已求解完成，结果已经保存
也就是说 每个子问题只需求解一次， 当我们求解它（也是第一次遇到它）时，它的所有前提子问题 都已求解完成
两种方法得到的算法具有相同的渐近运行时间， 仅有的差异是 在某些特殊情况下，自顶向下方法 并未其正递归地考察所有可能的子问题。由于没有频繁的递归函数调用的开销，自底向上的时间复杂性函数 通常具有更小的系数
伪代码：
BOTTOM-UP-CUT-ROD(p, n)
1 let r[0..n] be a new array
2 r[0] = 0
3 for j = 1 to n
4 q = -∞
5 for i = 1 to j // 从小到大的循环寻找 而不是递归了
6 q = max(q, p[i] + r[j-i])
7 r[j] = q
8 return r[n]
采用子问题的自然顺序：若i < j，则规模为i的子问题 比规模为j的子问题“更小”。因此，过程依次求解规模为j = 0, 1, …, n的子问题
自底向上算法和自顶向下算法 具有相同的渐进运行时间，BOTTOM-UP-CUT-ROD的主体是 嵌套的双重循环，内层for循环（第5至6行）的迭代次数 构成一个等差数列，运行时间为 Θ(n2)
自顶向下的 MEMOIZED-CUT-ROD 的运行时间也是 Θ(n2)，MEMOIZED-CUT-ROD 对 每个子问题只求解一次，而它求解了 规模为 0, 1, …, n 的子问题；为求解 规模为 i 的子问题，第5~6行的循环 会迭代i次，因此，MEMOIZED-CUT-ROD 进行的所有递归调用 执行此for循环的迭代次数 也是一个等差数列，其和也是 Θ(n2)
6、子问题图
当思考一个动态规划问题时，应该弄清所涉及的子问题 及 子问题之间的依赖关系
它是一个有向图，每个顶点 唯一地对应一个子问题
若求子问题x的最优解时 需要直接用到子问题y的最优解，那么 在子问题图中 就会有一条从子问题x的顶点 到子问题y的顶点的有向边
子问题图 G = (V, E) 的规模 可以帮助我们 确定动态规划算法的运行时间。由于每个子问题只求解一次，因此算法运行时间 等于每个子问题求解时间之和。一个子问题的求解时间 与子问题图中对应顶点的度（出射边的数目）成正比，而子问题的数量 等于子问题图的顶点数。动态规划法的运行时间 与顶点和边的数量呈线性关系
7、重构解
前文给出的 钢条切割问题的动态规划算法 返回的最优解的收益值，但并未返回 解本身（一个长度列表，给出切割后 各段钢条的长度）。扩展动态规划算法，使之 对每个子问题不仅保存最优收益值，还保存对应的切割方案
BOTTOM-UP-CUT-ROD的扩展版本，它对长度为j的钢条 不仅计算最大收益值r_j，还保存最优解对应的 第一段钢条的切割长度s_j，然后就可以在 数组中剩下长度的下标中找切的第二刀，以此类推
EXTENDED-BOTTOM-UP-CUT-ROD(p, n)
1 let r[0..n] and s[0..n] be new arrays
2 r[0] = 0
3 for j = 1 to n
4 q = -∞
5 for i = 1 to j
6 if q < p[i] + r[j-i]
7 q = p[i] + r[j-i]
8 s[j] = i
9 r[j] = q
10 return r and s
输出长度为n的钢条的完整的最优切割方案
PRINT-CUT-ROD-SOLUTION(p, n)
1 {r, s} = EXTENDED-BOTTOM-UP-CUT-ROD(p, n)
2 while n > 0
3 print s[n]
4 n = n - s[n] // 从左向右切，剩下的长度
输出直接就是从前往后 切的点 距离最左点的距离
EXTENDED-BOTTOM-UP-CUT-ROD(p, 10) 会返回下面的数组：
对比调用PRINT-CUT-ROD-SOLUTION(p, 10)只会输出10，但对n=7，会输出最优方案r7切割出的两段钢条的长度1和6
8、对钢条切割问题 进行一点修改，除了切割下的钢条段 具有不同价格 p_i 外，每次切割 还要支付固定的成本c。这样，切割方案的收益 等于钢条段的价格之和 减去切割的成本。设计一个动态规划算法解决修改后的钢条切割问题
需要考虑 第5-6行中 循环的每一次迭代的成本c，但最后一次迭代除外，当i=j（无切割）
所以 使循环运行到j−1而不是j，确保从第6行的候选收入中减去c，然后在第7行中选择 当前最佳收入q和p[j]（无削减，所以需要在这比一下，之前的比大小 需要减 所以把p[j]排除了）中的较大者
MODIFIED-CUT-ROD(p, n, c)
let r[0..n] be a new array
r[0] = 0
for j = 1 to n
q = p[j]
for i = 1 to j - 1
q = max(q, p[i] + r[j - i] - c)
r[j] = q
return r[n]
使之不仅返回最优收益值，还返回切割方案
MEMOIZED-CUT-ROD(p, n)
let r[0..n] and s[0..n] be new arrays
for i = 0 to n
r[i] = -∞
(val, s) = MEMOIZED-CUT-ROD-AUX(p, n, r, s)
print "The optimal value is" val "and the cuts are at"
j = n
while j > 0
print s[j]
j = j - s[j]
// 自顶向下的方式
MEMOIZED-CUT-ROD-AUX(p, n, r, s) // n为子问题中钢条的长度
if r[n] ≥ 0 // 递归出去的条件
return (r, s)
if n == 0
q = 0
else q = -∞
for i = 1 to n
(val, s) = MEMOIZED-CUT-ROD-AUX(p, n - i, r, s)
if q < p[i] + val
q = p[i] + val
s[n] = i
r[n] = q
return (r, s)
对比自底向上
EXTENDED-BOTTOM-UP-CUT-ROD(p, n)
1 let r[0..n] and s[0..n] be new arrays
2 r[0] = 0
3 for j = 1 to n
4 q = -∞
5 for i = 1 to j
6 if q < p[i] + r[j-i]
7 q = p[i] + r[j-i]
8 s[j] = i
9 r[j] = q
10 return r and s
2、矩阵链乘法
1、求解矩阵链相乘问题的动态规划算法。给定一个n个矩阵的序列（矩阵链）<A1, A2, …, An>，希望计算它们的乘积
由于矩阵乘法满足结合律，因此 任何加括号的方法 都会得到 相同的计算结果． 称有如下性质的矩阵乘积链为 完全括号化的
它是单一矩阵，或者是 两个完全括号化的矩阵乘积链的积，且已外加括号
如果矩阵链为(A_1, A_2, A_3, A_4〉，则共有5种完全括号化的 矩阵乘积链（以 两个相邻矩阵相乘 为线索找）
MATRIX-MULTIPLY(A, B)
1 if A.columns ≠ B.rows
2 error "incompatible dimensions"
3 else let C be a new A.rows × B.columns matrix
4 for i = 1 to A.rows
5 for j = 1 to B.columns
6 c[i, j] = 0
7 for k = 1 to A.columns
8 c[i, j] = c[i, j] + a[i, k] * b[k, j] // 行列两两相乘求和
9 return C
两个矩阵A和B只有相容，即A的列数等于B的行数时，才能相乘
以矩阵链 <A1, A2, A3, A4> 相乘为例，来说明 不同的加括号方式 会导致不同的计算代价。假设这3个矩阵的规模分别为10×100，100×5 和 5 ×50。如果按 ((A1A2)A3) 的顺序计算，为计算 A1A2 (规模10×5)，需要做 10·100·5 = 5 000次 (结果矩阵的一个元素 对应 对100对行列乘积 求和) 标量乘法，再与A3相乘又需要做 10·5·50 = 2 500 次标量乘法，共需7 500次标量乘法如果按 ((A1(A2A3))A4) 的顺序，计算 A2A3(规模100×50)，需要做 100·5·50 = 250 000次 标量乘法，A1再与之相乘 又需 10·100·50 = 50 000次 标量乘法，共需 300 000次 标量乘法。第一种顺序计算矩阵链乘积 比 第二种顺序 快10倍
矩阵链乘法问题 描述如下：给定n个矩阵的链 <A1, A2, …, An>，矩阵 A_i 的规模为 p_i-1 × p_i (1 <= i <= n)，求完全括号化方案，使得计算乘积 A1A2…An 的标量乘法次数最少
求解矩阵链乘法问题 并不是要真正进行矩阵相乘运算，目标 只是确定代价最低的计算顺序。确定 最优计算顺序所花费的时间 通常 比随后真正进行矩阵相乘 所节省的时间（例如仅进行7 500次标量乘法而不是75 000次 ）要少
2、计算括号化方案的数量
举所有可能的括号化方案 不会产生一个高效的算法。对一个 n 个矩阵的链，令 P(n) 表示可供选择的括号化方案的数量
递归公式 的结果为 Ω(2n）。因此，括号化方案的数量 与n呈指数关系
3、应用动态规划方法
步骤1：最优括号化方案的结构特征
给出本问题的最优子结构。假设 AiAi+1…Aj 的最优括号化方案的分割点 在 Ak 和 Ak+1 之间。那么，继续对“前缀“子链 AiAi+1···Ak 进行括号化时，应该 直接采用独立求解它时 所得的最优方案。如果不采用独立求解 AiAi+1…Ak 所得的最优方案来对它进行括号化，那么 可以将此最优解 代入AiAi+1···Aj 的最优解中，代替 原来对子链 AiAi+1 … Ak 进行括号化的方案（比AiAi+1···Ak 最优解的代价更高）。显然，这样得到的解 比 AiAi+1…Ak 原来的“最优解”代价更低：产生矛盾
对子链Ak+1Ak+2···Aj，有相似的结论：在原问题AiAi+1…Aj 的最优括号化方案中． 对子链Ak+1Ak+2 …Aj，进行括号化的方法，就是它自身的 最优括号化方案
一个非平凡的矩阵链乘法问题实例的任何解 都需要划分链，而任何最优解 都是由子问题实例的最优解构成的。必须保证 在确定分割点时，已经考察了所有可能的划分点，这样就可以保证 不会遗漏最优解
步骤2：一个递归求解方案
用子问题的最优解 来递归地定义 原问题最优解的代价
将对所有 1 ≤ i ≤ j ≤ n 确定 AiAi+1…Aj 的最小代价 括号化方案作为子问题。令 m[i, j] 表示计算矩阵 Ai…Aj 所需标量乘法次数的最小值，那么，原问题的最优解：计算 A1…n 所需的最低代价就是 m[1, n]
对于 i = j 的平凡问题，矩阵链 只包含唯一的矩阵 Ai…Aj，因此 不需要任何标量乘法运算。因此，对所有 i = 1, 2, …, n，m[i, j] = 0
假设 Ai, …, Aj 的最优括号化方案的分割点 在矩阵 Ak 和 Ak+1 之间，其中 i ≤ k < j。那么，m[i, j] 就等于 计算 Ai 和 Ai+1…j 的代价加上两者相乘的代价的最小值。由于矩阵 Ai 的大小为 p_(i-1) × p_i
如前面所述，Ai…k 与 A_(k+1)…Aj 相乘的代价为 p_(i-1) p_k p_j 次标量乘法运算
k只有 j - i 种可能的取值，即 k = i, i+1, …, j-1。由于最优分割点 必在其中，我们只需检查所有可能情况，找到最优者即可
m[i, j] 的值给出了 子问题最优解的代价，但它并未提供足够的信息 来构造最优解。为此，用 s[i, j] 来保存 Ai…Aj 最优括号化方案的分割点位置k，即 使得 m[i, j] = m[i, k] + m[k+1, j] + p_(i-1)p_kp_j 成立的k值
步骤3：计算最优代价
每对满足 1<=i<=j<=n 的i和j对应一个唯一的子问题。共有
个。递归算法 会在递归调用树的不同分支中 多次遇到同一个子问题。这种子问题重叠的性质是 应用动态规划的另一个标识（第一个标识是最优子结构）
采用自底向上表格法代替 基于公式(15.7)的递归算法 来计算最优代价.此过程假定矩阵 Ai 的规模为 p_i-1*p_i 过程用一个辅助表m[1…n, 1…n] 来保存代价 m[i, j]，用另一个辅助表 s[1…n-1, 2…n] 记录最优值 m[i, j] 对应的分割点k
MATRIX-CHAIN-ORDER(p)
1 n = p.length-1 // 因为需要乘p.length - 1次
2 let m[1..n, 1..n] and s[1..n-1, 2..n] be new tables // 先后的判断 开始长度就是2，所以开始是s[1, 2],结束是s[n-1, n]
3 for i = 1 to n
4 m[i, i] = 0
5 for l = 2 to n // l是乘法链的长度，明显只有一个乘法不需要判断先后
6 for i = 1 to n-l+1
7 j = i + l - 1 // 确保i~j长度是l
8 m[i, j] = ∞
9 for k = i to j-1
10 q = m[i, k] + m[k+1, j] + p[i-1] * p[k] * p[j]
11 if q < m[i, j]
12 m[i, j] = q
13 s[i, j] = k
14 return m and s
图15-5展示了 对一个长度为6的矩阵链（6次乘法）执行此算法的过程。由于 定义 m[i, j] 仅在 i ≤ j 时有意义，因此表m 只使用上对角线之上的部分。图中的表是经过旋转的，主对角线已经旋转到了水平方向
MATRIX-CHAIN-ORDER 按自下而上、自左而右的顺序 计算所有行，当计算表项 m[i, j] 时，会用到乘积 p_i-1 p_k p_j（k = i, i+1, …, j-1），以及 m[i, j] 西南方向（相同i）和东南方向（相同j）上的所有表项
算法的运行时间为 O(n3)。循环嵌套的深度为三层，每层的循环变量 (l, i, k) 最多取n-1个值。MATRIX-CHAIN-ORDER 比起穷举所有可能的括号化方案 来寻找 最优解的指数阶算法更高效
步骤4：构造最优解
表 s[1…n-1, 2…n] 记录了构造最优解所需的信息。每个表项 s[i, j] 记录了一个k值，指出 AiAi+1…Aj 的最优括号化方案的分割点 应该在 Ai 和 A_(i+1) 之间。因此，Ai…n 的最优括号化方案的分割点 应该在 Ak 和 Ak+1 之间
知道 A1…n 的最优计算方案中 最后一次矩阵乘法运算 应该是 A_1…s[1, n] 和 A_s[1, n]+1…n
s[1, s[1, n]] 指出了计算 A_1…s[1, n] 时 应进行的最后一次矩阵乘法运算；s[s[1, n]+1, n] 指出了计算 A_s[1, n]+1…n 时应进行的最后一次矩阵乘法运算
下面 给出的递归过程 可以输出 <Ai,Ai+1, …, Aj> 的最优括号化方案，其输入为 MATRIX-CHAIN-ORDER 得到的表s及下标i和j。调用 PRINT-OPTIMAL-PARENS(s, 1, n) 即可输出 <A1, A2, …, An> 的最优括号化方案
PRINT-OPTIMAL-PARENS(s, i, j)
1 if i == j
2 print "A"i
3 else print "("
4 PRINT-OPTIMAL-PARENS(s, i, s[i, j])
5 PRINT-OPTIMAL-PARENS(s, s[i, j]+1, j)
6 print ")"
调用 PRINT-OPTIMAL-PARENS(s, 1, 6) 输出括号化方案
4、证明 对 n个元素的表达式进行完全括号化 ，恰好需要n-1对括号
数学归纳法：通过对矩阵的数量进行归纳来进行证明。
假设一个包含n个元素的表达式的完全括号化 正好有n-1对括号
单个矩阵没有括号对
给定一个包含(n+1)个元素的表达式的完全括号化，必定存在某个k，使得我们首先以某种方式将B=A1⋯Ak相乘，然后以某种方式将C=Ak+1⋯An+1相乘，再将B和C相乘。根据我们的归纳假设，对于B的完全括号化有k-1对括号，对于C的完全括号化有n+1-k-1对括号。得到 (k-1)+(n+1-k-1)+1 = (n+1)-1 对括号
3、动态规划原理
适合应用动态规划方法求解的最优化问题应该具备的两个要素：最优子结构 和 子问题重叠
3.1 最优子结构
1、用动态规划方法求解最优化问题的第一步 就是刻画最优解的结构。如果一个问题的最优解 包含其子问题的最优解，就称 此问题具有最优子结构性质。因此，某个问题 是否适合应用动态规划算法，它是否具有最优子结构性质 是一个好线索（当然，具有最优子结构性质可能意味着适合应用贪心策略，参见第16章）
2、在发掘最优子结构性质的过程中，实际上 遵循了以下通用模式：
- 证明问题最优解的每个组成部分是 做出一个选择。例如，选择钢条第一个切割位置，选择矩阵链划分的位置等。做出这些选择会产生一个或多个待解的子问题
- 对于一个确定问题，在其可能的第一步选择中，假定已经知道 哪种选择会得到最优解。并不关心这种选择具体是如何得到的， 只是假定已经知道了这种选择
- 给定 可获得最优解的选择后，确定这次选择会产生哪些子问题，以及如何最好地 刻画子问题空间
- 利用“剪切－粘贴”技术证明：作为构成原问题最优解的组成部分，每个子问题的解就是它本身的最优解。证明这一点是利用反证法：假定子问题的解 不是其自身的最优问题的解就是它本身的最优解。就可以 从原问题的解中 “剪切" 掉这些非最优解，将最优解“粘贴”进去， 从而得到原问题一个更优的解，这与最初的解是原问题最优解的前提假设 矛盾
3、一个刻划子问题空间的好经验是：保持子问题空间 尽可能简单，只在必要时 才扩展它。例如，求解钢条切割问题时，子问题空间中包含的简单问题为：对每个i值，长度为i的钢条的最优切割问题。这个子问题空间很有效，不必尝试更一般性的子问题空间
假定 试图限制矩阵链 A1A2…Aj 乘法问题的子空间，除非 能保证永远 k=j-1，否则 得到两个形如 A1A2…Ak 和 A(k+1)A(k+2)…An 的子问题，而后者的形态 与 A1A2…Aj 是不同的。因此，对于矩阵链乘法问题，必须允许子问题在“两端”都可以变化，即允许问题 A1A(i+1)…Aj 中i和j都可变
4、对于 不同问题领域，最优子结构的不同 体现在两个方面：
- 原问题的最优解中 涉及多少个子问题
- 在确定最优解 使用哪些子问题时， 需要考察多少种选择
在钢条切割问题中， 长度为n的钢条的最优切割方案 仅仅使用一个子问题（长度为 n-i 的钢条的最优切割）， 但必须考察 i 的n种不同取值，来确定哪一个会产生最优解
AiAi+1···Aj 的矩阵链乘法问题中，最优解使用两个子问题， 需要考察 j - i 种情况。 对于给定的矩阵链划分位——矩阵Ak，需要求解两个子问题：AiAi+1…Ak 和 Ak+1Ak+2 …Aj 的括号化方案，而且两个子问题 都必须求解最优方案。一旦 确定了子问题的最优解，就可以在 j - i 个候选的 k 中选取最优者
对于钢条切割问题，其有 Θ(n) 个子问题，每个子问题最多需要考察 n 种选择（包括不切的情况），因此运行时间为 O(n2)。矩阵链乘法问题 共有 Θ(n2) 个子问题，每个子问题 最多需要考察 n-1 种选择，因此运行时间为 O(n3)
5、子问题图也可用来做同样的分析：钢条切割问题的子问题图 有m个顶点，每个顶点最多n条边，因此 运行时间为O(n*m)
6、贪心算法 与 动态规划 有很多相似之处。特别是，能够应用贪心算法的问题 也必须具有最优子结构性质
贪心打法和动态规划最大的不同在于，它并不是 首先寻找子问题的最优解，然后 在其中进行选择，而是 首先做出一次“贪心”选择——在当时（局部）看起来 最优的选择——然后 求解选出的子问题，从而 不必费心求解 所有可能 相关的子问题
7、在尝试使用动态规划方法时要小心，要注意问题是否具有最优子结构性质：
无权最短路径：找到 一条从 u 到 v 的边数最少的路径。这条路径 必然是简单路径，因为 如果路径中包含环，将环去掉是会减少边的数量
无权最长路径：找到 一条从 u 到 v 的边数最多的简单路径
证明 无权最短路径问题 具有最优子结构性质。假设 u != v，从 u 到 v 的任意路径p 都必须包含一个中间顶点，将路径 u -p-> v 分解为两段子路径 u -p1-> w -p2-> v
断言：如果 p 是从 u 到 v 的最优（即最短）路径。那么 p1 必须是从u到w的最短路径
可以用“剪切－粘贴“方法来证明： 如果存在另一条从u到w的路径p1’，其边数比 p1 少， 那么可以剪切掉 p1， 将 p1‘ 粘贴上，
构造出一条比 p 边数更少的路径 u -p1-> w -p2-> v，与p最优的假设矛盾。对称地，p2 必须是 从 w 到 v 的最短路径。因此，可以通过考察 所有中间结点 w 来求 u 到 v 的最短路径，对每个中间顶点w, 求 u 到 w 和 w 到 v 的最短路径， 然后 选择两条路径之和最短的顶点w
最长简单路径问题 不仅缺乏最优子结构的性质，由子问题的解 组合出的 甚至都不是 原问题的“合法解”。组合最长简单路径 q -> s -> t -> r 和 r -> q -> s ->t, 得到的是路径 q -> s -> t -> r -> q -> s -> t, 并不是简单路径
最长简单路径问题的子结构与最短路径差别：
虽然 最长路径问题 和 最短路径问题的解 都用到了两个子问题，但两个最长简单路径子问题是相关的， 而两个最短路径子问题是无关的
即同一个原问题的一个子问题的解 不影响另一个子问题的解，求 q 到 t 的最长简单路径 可以分解为两个子问题 求q到r的最长简单路径 和 r到t的最长简单路径． 对于前者， 选择路径 q -> s -> t -> r，其中 用到了顶点 s 和 t。由于 两个子问题的解的组合 必须产生一条简单路径，因此 在求解第二个子问题时 就不能再用这两个顶点了。但如果 在求解第二个子问题时不允许使用顶点，就根本无法进行下去了，因为 t 是原问题解的路径终点，是必须用到的，还不像子问题解 的“接合”顶点 r 那样可以不用。这样， 由于一个子问题的解 使用了顶点 s 和 t， 在另一个子问题的解中 就不能再使用它们，但其中 至少一个顶点在求解第二个子问题时 又必须用到，而获得最优解 则两个都要用到。因此，说两个子问题是相关的
求解一个子问题时 用到了某些资源（在本例中是顶点），导致 这些资源 在求解其他子问题时不可用
8、求解最短路径的子问题间 为什么是无关的：
根本原因在于，最短路径子问题间 是不共享资源的（求解范围没有交集）
假定 某个顶点 x != w 同时出现在路径 p_1 和 p_2，就可以 将 p1 分解为 
根据 最优子结构性质，路径 p 的边数 等于 p_1 和 p_2 边数之和，假定为 e。接下来 我们构造一条 u 到 v 的路径 
由于已经删掉 x 到 w 和 w 到 x 的路径，每条路径 至少包含一条边，因此 p’ 最多包含 e - 2 条边，与 p 为最短路径的假设 矛盾
因此， 可以保证 最短路径问题的子问题间是无关的
9、在矩阵链乘法问题中，子问题为 子链 Ai Ai+1 … Ak 和 Ak+1 Ak+2 … Aj 的乘法问题，子链是 互不相交的，因此任何矩阵都不会同时包含在两条子链中。在钢条切割问题中，由于长度为 n 的问题的最优解 只包含一个子问题的解，子问题无关性 显然是可以保证的
3.2 重叠子问题
1、适合用 动态规划方法求解的最优化问题 应该具备的第二个性质是 子问题空间必须足够“小”，即问题的递归算法 会反复地求解相同的子问题，而不是 一直生成新的子问题
不同子问题的总数是 输入规模的多项式函数为好。如果 递归算法 反复求解相同的子问题，就称最优化问题具有重叠子问题性质
适合用分治方法求解的问题 通常在递归的每一步都生成全新的子问题
2、动态规划算法 通常这样利用重叠子问题性质：对每个子问题求解一次，将解存入一个表中，当再次需要 这个子问题时直接查表，每次查表的代价为 常量时间
3、计算矩阵链乘法 Ai…j = AiAi+1…Aj 所需最少标量乘法运算次数 m[i, j]，而计算过程是低效的。这个过程直接基于递归式：
RECURSIVE-MATRIX-CHAIN(p, i, j)
if i == j
return 0
m[i, j] = ∞
for k = i to j-1
q = RECURSIVE-MATRIX-CHAIN (p, i, k) + RECURSIVE-MATRIX-CHAIN (p, k+1, j) + p_i-1 p_k p_j
if q < m[i, j]
m[i, j] = q
return m[i, j]
可以证明此过程计算 m[1，n] 的时间至少是 n的指数函数
每一项 T(i) 在公式中 以 T(k) 的形式出现了一次，还以 T(n - k) 的形式出现了一次，而求和项中累加了 n - 1 个 1, 在求和项之前还加了1，因此公式可改写为
利用数学归纳法证明：
调用 RECURSIVE-MATRIX-CHAIN(p, 1, n) 所做的总工作量 至少是n的指数函数
将此 自顶向下的递归算法（无备忘）与 自底向上的动态规划算法 进行比较。后者要有效得多，因为它利用了重叠子问题性质。矩阵链乘法问题只有 Θ(n2）个不同的子问题。动态规划算法对每个子问题只求解一次。而递归算法则相反，对每个子问题．每当在递归树中（递归调用时）遇到它，都要重新计算一次
凡是一个问题的自然递归算法的递归调用树中 反复出现相同的子问题，而不同子问题的总数很少时．动态规划方法都能提高效率
3.3 重构最优解
1、将每个子问题所做的选择 存在一个表中，这样就不必根据代价值来重构这些信息
假定 没有维护 s[i, j]表，只是在表 m[i, j] 中 记录了子问题的最优代价。确定 AiAi+1…Aj 的最优括号化方案 用到了哪些子问题时， 就需要检查所有 j - i 种可能，而 j - i 并不是一个常数。因此，对一个给定问题的最优解，重构它用到了哪些子问题 就需花费 O(j - i) 的时间。而通过在 s[i, j] 中保存 AiAi+1 … Aj 的划分位置，重构每次选择只需 O(1) 时间
2、备忘：
带备忘的递归算法 为每个子问题维护一个表项来保存它的解。每个表项的初值 设为一个特殊值，表示尚未填入子问题的解。当递归调用过程中 第一次遇到子问题时，计算其解，并存入对应表项。随后每次遇到 同一个子问题，只是简单地查表，返回其解
带备忘的 RECURSIVE-MATRIX-CHAIN版本（带备忘的自顶向下）
MEMOIZED-MATRIX-CHAIN(p)
1 n = p.length - 1
2 let m[1..n, 1..n] be a new table
3 for i = 1 to n
4 for j = i to n
5 m[i,j] = ∞
6 return LOOKUP-CHAIN(m, p, 1, n)
LOOKUP-CHAIN(m, p, i, j)
1 if m[i,j]<∞
2 return m[i,j]
3 if i==j
4 m[i,j]=0
5 else for k = i to j-1
6 q = LOOKUP-CHAIN(m, p, i, k)
7 + LOOKUP-CHAIN(m, p, k+1, j) + p[i-1]p[k]p[j]
8 if q < m[i, j]
9 m[i, j] = q
10 return m[i,j]
MEMOIZED-MATRIX-CHAIN 的运行时间为O(n³)。MEMOIZED-MATRIX-CHAIN 的第5行运行了Θ(n²)次。可以将对 LOOKUP-CHAIN 的调用分为两类：
- 调用时 m[i, j] = ∞，因此第3~9行会执行
- 调用时 m[i, j] < ∞，因此 LOOKUP-CHAIN 执行第2行，简单返回值
第一种调用会发生 Θ(n²) 次，每个表项一次。每二种调用 均为第一种调用 所产生的递归调用。而无论何时一个 LOOKUP-CHAIN的调用继续进行递归调用， 都会产生 O(n) 次递归调用
因此，第二种调用共 O(n³) 次，每次花费 O(1) 时间。而第一种调用花费 O(n) 时间再加上它产生的递归调用的时间
因此，算法的总时间为 O(n3)
通常情况下， 如果每个子问题都必须至少求解一次，自底向上动态规划算法 会比自顶向下备忘算法快（都是 O(n3) 时间，相差一个常量系数）， 因为自底向上算法 没有递归调用的开销，表的维护开销也更小
而且，对于某些问题，可以利用表的访问模式 来进一步降低时空代价
相反， 如果子问题空间中的某些子问题完全不必求解，备忘方法就会体现出优势了，因为 它只会求解那些绝对必要的子问题
3、如前所述，使用动态规划方法，我们首先求解子问题，然后选择哪些子问题用来构造原问题的最优解。
Capulet教授认为 不必为了求原问题的最优解 而总是求解所有子问题。在求矩阵链乘法问题的最优解时，总是可以在求解子问题之前 选定AiAi+1…Aj 的划分位置 Ak（选定的 k 使得 p_i-1p_kp_j 最大）。请想出一个反例，证明这个贪心方法可能生成次优解
4、最长公共子序列
1、比较两个（或多个）不同生物体的DNA。一个DNA串 由一串称为碱基的分子组成，碱基有腺嘌呤、鸟嘌呤、胞嘧啶和胸腺嘧啶4种类型。将一个DNA串表示为有限集 {A, C, G, T} 上的一个字符串
比较两个DNA串的一个原因是 希望找出它们相似度，作为度量序列相似度的指标
相似定义：如果将一个串转换为另一个串 所需的操作很少，那么可以说两个串是相似的
寻找第三个串S3, 它的所有碱基也都出现在 S1 和 S2 中，且在三个串中 出现的顺序都相同，但在 S1 和 S2 中不要求连续出现。可以找到的 S3 越长，就可以认为 S1 和 S2 相似度越高
2、最长公共子序列问题：一个给定序列的子序列，就是将给定序列中 零个或多个元素去掉之后得到的结果
如果 Z 既是 X 的子序列，也是 Y 的子序列，我们称 Z 是 X 和 Y 的公共子序列
4.1 - 4.4 为4个步骤
4.1 刻画最长公共子序列的特征
1、X 的每个子序列对应下标集合 {1, 2, … , m} 的一个子集，所以 X 有 2m 个子序列（每个位置上有数字和没有数字 两种可能）
LCS 问题具有最优子结构性质
前缀的严谨定义如下：给定一个序列 X = <x_1, x_2, x_3, …, x_m> ，对 i＝0, 1, …, m 定义 X 的第 i 前缀为 X_i = <x_1, x_2, x_3, …, x_i>
4.2 一个递归解
1、如果 x_m＝y_n，应该求解 Xm - 1 和 Yn - 1 的一个LCS。将 x_m = y_n 追加到这个LCS的末尾
如果 x_m != y_n，必须求解两个子问题：求 X_m-1 和 Y 的一个 LCS
与 X 和 Yn-1 的一个 LCS。两个 LCS较长者 即为 X 和 Y 的一个LCS
LCS 问题的重复子问题性质，很多其他子问题 也都共享子子问题
与矩阵链乘法问题相似，设计 LCS 问题的递归算法 首先要建立最优解的递归式。定义 c[i, j] 表示 X_i 和 Y_j 的 LCS 的长度
在递归公式中，通过限制条件 限定了需要求解哪些子问题。而 在之前讨论的 钢条切割问题 和 矩阵链乘法问题 的动态规划算法中，根据问题的条件，没有排除任何子问题
4.3 计算 LCS 的长度
1、由于 LCS 问题只有 Θ(mn) 个不同的子问题，可以用动态规划方法 自底向上地计算
过程 LCS-LENGTH 接受两个序列 X = <x_1, x_2, …, x_m> 和 Y = <y_1, y_2, …, y_n> 为输入。它将 c[i, j] 的值保存在 线性表 c[0…m, 0…n] 中，并按行主次序 计算表项（即首先计算表的左至右行标的每行，然后计算第二行，依此类推）。过程还维护一个表 b[1…m, 1…n]，帮助构建最优解，b[i, j] 指向的表项对应计算 c[i, j] 时所选的子问题优解。过程返回表 c 和表 b，c[m, n] 保存了 X 和 Y 的 LCS 的长度
LCS-LENGTH(X,Y)
1 m = X.length
2 n = Y.length
3 let b[1..m, 1..n] and c[0..m, 0..n] be new tables
4 for i = 1 to m
5 c[i,0] = 0
6 for j = 0 to n
7 c[0,j] = 0 // 有一个是空的，自然长度是0
8 for i = 1 to m
9 for j = 1 to n
10 if x_i = y_j
11 c[i,j] = c[i-1,j-1] + 1
12 b[i,j] = "↖" // 下一个元素在左上角
13 elseif c[i-1,j] >= c[i,j-1]
14 c[i,j] = c[i-1,j]
15 b[i,j] = "↑"
16 else
17 c[i,j] = c[i,j-1]
18 b[i,j] = "←"
19 return c and b
LCS-LENGTH 对输入序列 X = < A, B, C, B, D, A, B> 和 Y =<B, D, C, A, B, A> 的运行过程。过程的运行时间为 Θ(mn)，因为每个表项的计算时间为 Θ(1)
设计 LCS-LENGTH 的自顶向下的备忘版本。运行时间为 O(mn)
MEMOIZED-LCS-LENGTH(X, Y, i, j)
if c[i, j] > -1
return c[i, j]
if i == 0 or j == 0
return c[i, j] = 0
if x[i] == y[j]
return c[i, j] = LCS-LENGTH(X, Y, i - 1, j - 1) + 1
return c[i, j] = max(LCS-LENGTH(X, Y, i - 1, j), LCS-LENGTH(X, Y, i, j - 1))
4.4 构造LCS
1、只需简单地从 b[m, n] 开始，开始 按箭头方向追踪下去即可。当在表项 b[i, j] 中遇到一个 “↖” 时，意味着 x_i = y_j 是 LCS 的一个元素。可以按逆序打印依次构造出的 LCS 的所有元素。下面的递归过程 会按正确的顺序打印出 X 和 Y 的一个 LCS。对它的起始调用为 PRINT-LCS(b, X, X.length, Y.length)
PRINT-LCS(b, X, i, j)
1 if i == 0 or j == 0
2 return
3 if b[i,j] == "↖" // 只有碰到左上箭头才需要打印当前所指元素
4 PRINT-LCS(b, X, i-1, j-1)
5 print x_i // 顺序输出
6 elseif b[i,j] == "↑"
7 PRINT-LCS(b, X, i-1, j)
8 else PRINT-LCS(b, X, i, j-1)
过程的运行时间为 O(m+n)，因为每次递归调用 i 和 j 至少有一个会减少 1
求 <1, 0, 0, 1, 0, 1, 0, 1> 和 <0, 1, 0, 1, 1, 0, 1, 1, 0> 的一个 LCS
<- / ↑ 在两个一样的情况下任意选一个优先（本人是选的<-优先，书本选择的是 ↑ 优先）
利用完整的表 c 及原始序列 X = < x_1, x_2, …, x_m > 和 Y = < y_1, y_2, …, y_n > 来重构 LCS。要求运行时间为 O(m+n)，不能使用表 b
PRINT-LCS(c, X, Y, i, j)
if c[i, j] == 0
return
if X[i] == Y[j] // 只有相等才输出，两个序列同时减少1
PRINT-LCS(c, X, Y, i - 1, j - 1)
print X[i]
else if c[i - 1, j] > c[i, j - 1] // 哪个长就选哪个
PRINT-LCS(c, X, Y, i - 1, j)
else
PRINT-LCS(c, X, Y, i, j - 1)
4.5 算法改进
1、对 LCS 算法，我们完全可以去掉表 b。每个 c[i, j] 项只依赖于表 c 中的其他三项：c[i−1, j−1], c[i, j], c[i, j−1] 和 c[i, j−1]，给定 c[i,j] 的值，可以在 O(1) 时间内判断出在 计算 c[i, j] 时使用了这三项中的哪一项
可以用一个类似 PRINT-LCS 的过程在 O(m+n) 时间内完成构造 LCS 的工作，而且不必使用表 b。这种方法节省了 Θ(mn) 的空间，但计算 LCS 所需的辅助空间并未渐近减少
2、LCS-LENGTH 的空间需求是 可以渐近减少的，因为在任何时刻它只需要表 c 中的两行：当前正在计算的一行和前一行
如果 只需计算 LCS 的长度，这一改进是有效的，但如果需要重构 LCS 中的元素，这么小的表空间所保存的信息 不足以在 O(m+n) 时间内完成重构工作
如何使用 min(m, n) 个空间记录 和 O(1) 的额外空间来完成相同的工作
只使用 c 表的上一行来计算当前行，当我们计算第 k 行时，我们释放第 k-2 行，因为不需要它来计算长度。为了使用更少的空间，观察到计算 c[i, j] 时，我们只需要条目 c[i-1, j], c[i-1, j-1], 和 c[i, j-1]。因此，可以逐项释放那些 再也不需要的上一行的条目，从而将空间需求减少到 min(m, n)。从依赖的三个条目中计算下一个条目需要 O(1) 的时间和空间
3、设计一个 O(n log n) 的算法，求一个 n 数的序列的最长单调递增子序列
给定一个数字列表 L，创建 L 的副本 L′，然后对 L′ 进行排序
L和L’就是X和Y
PRINT-LCS(c, X, Y)
n = c[X.length, Y.length]
let s[1..n] be a new array
i = X.length
j = Y.length
while i > 0 and j > 0
if x[i] == y[j]
s[n] = x[i]
n = n - 1
i = i - 1
j = j - 1
else if c[i - 1, j] ≥ c[i, j - 1]
i = i - 1
else j = j - 1
for i = 1 to s.length
print s[i]
MEMO-LCS-LENGTH-AUX(X, Y, c, b)
m = |X|
n = |Y|
if c[m, n] != 0 or m == 0 or n == 0
return
if x[m] == y[n]
b[m, n] = ↖
c[m, n] = MEMO-LCS-LENGTH-AUX(X[1..m - 1], Y[1..n - 1], c, b) + 1
else if MEMO-LCS-LENGTH-AUX(X[1..m - 1], Y, c, b) ≥ MEMO-LCS-LENGTH-AUX(X, Y[1..n - 1], c, b)
b[m, n] = ↑
c[m, n] = MEMO-LCS-LENGTH-AUX(X[1..m - 1], Y, c, b)
else
b[m, n] = ←
c[m, n] = MEMO-LCS-LENGTH-AUX(X, Y[1..n - 1], c, b)
MEMO-LCS-LENGTH(X, Y)
let c[1..|X|, 1..|Y|] and b[1..|X|, 1..|Y|] be new tables
MEMO-LCS-LENGTH-AUX(X, Y, c, b)
return c and b
5、最优二叉搜索树
1、设计一个程序，实现英语文本到法语的翻译。对英语文本中出现的每个单词，需要查找 对应的法语单词。可以创建一棵二叉搜索树，将n个英语单词 作为关键字， 对应的法语单词 作为关联数据
由于 对文本中的每个单词 都要进行搜索，希望花费在搜索上的总时间尽量少，通过使用红黑树或其他平衡搜索树结构，可以假定 每次搜索时间为 O(lgn)。但是， 单词出现的频率是不同的，频繁使用的单词 有可能位于搜索树中远离根的位置上，而 很少使用的单词 可能位于靠近根的位置上，这样的结构会减慢翻译的速度
因为 在二叉树搜索树中 搜索一个关键字需要访问的结点数等于 包含关键字的结点的深度加1（根结点的深度是0，如果目标结点的深度是 d，那么从根结点到目标结点一共需要经过 d 条边）
希望文本中频繁出现的单词 被置于 靠近根的位置，而且 文本中的一些单词 可能没有对应的法语单词，这些单词根本不应该出现在二叉搜索树中
2、在给定单词出现频率的前提下，应该如何组织一棵二叉搜索树，使得 所有搜索操作 访问的结点总数最少
即最优二叉搜索树问题，其形式化定义如下：
给定一个 n个不同关键字的 已排序的序列 K = <k1, k2, …, kn>（因此 k1 < k2 < … ＜kn），希望用这些关键字构造一棵二叉搜索树。对每个关键字 k_i，都有一个概率 p_i 表示其搜索频率
有些要搜索的值 可能不在 K 中， 因此 还有 n + 1 个 “伪关键字” d0, d1, d2, ··, dn 表示不在K中的值。d0 表示所有小于 k_1 的值，d_i 表示所有大于 k_n 的值，对 i = 1, 2, ···, n-1，伪关键字 d_i 表示 所有在 k_i 和 k_i+1 之间的值。对每个伪关键字 d_i， 也都有一个概率 q_i 表示对应的搜索频率
每个关键字 k_i 是一个内部结点，而每个伪关键字 d_i 是一个叶结点。每次搜索要么成功（找到某个关键字 k_i) 要么失败（找到某个伪关键字 d_i
知道 每个关键字和伪关键字的搜索概率，因而 可以确定在一棵给定的二叉搜索树T中 进行一次搜索的期望代价：
希望构造一棵期望搜索代价最小的二叉搜索树，称之为最优二叉搜索树
（b）就是给定概率集合的最优二叉搜索树，其期堕代价为2 75。这个例子显示，最优二叉搜索树不一定是高度最矮的，而且概率最高的关键字 也不一定出现在二义搜索树的根结点（因为 结点在树中的相对位置必须满足排序要求，概率最高的结点可能会被放置在一个位置，使得整体搜索时间最小化，而不是单独考虑其在根结点的位置），在此例中，关键字 k5 的搜索概率最高，旦 最优二叉搜索树的根结点为 k_2（在所有 以 k_5 为根的二叉搜索树中，期望搜索代价最小者为2.85)
与 矩阵链乘法问题 相似，穷举并检查所有可能的二叉搜索树 不是一个高效的算法。对任意一棵 n 个结点的二叉树，都可以通过对结点标记关键字 k_1, k_2, …, k_n，构造一棵二叉搜索树，然后 向其中添加 伪关键字作为叶子节点
5.1 - 5.3 为3个步骤
5.1 最优二叉搜索树的结构
1、从观察子树特征开始。考虑一棵二叉搜索树的任意子树。它必须包含连续关键字 k_i, k_i+1, …, k_j，其叶结点 必然是 伪关键字 d_i-1, …, d_j
二叉搜索树问题的最优子结构：一棵最优二叉搜索树 T 有一棵包含关键字 k_i, k_i+1, …, k_j 的子树 T’，那么 T’ 必然是包含关键字 k_i, k_i+1, …, k_j 和伪关键字 d_i-1, …, d_j 的子问题的最优解。
使用 剪切-粘贴法证明这一结论。如果存在子树 T’，其期望搜索代价比 T’ 低，那么将 T’ 从 T 中删除，从而得到一棵期望搜索代价低于 T 的二叉搜索树，与 T 最优的假设矛盾
需要用 最优子结构性质 来证明，可以 用子问题的最优解 构造原问题的最优解。给定关键字 k_i, k_i+1, …, k_j，其中某个关键字k_r (i <= r <= j) 是 最优子树的根结点，那么 k_r 的左子树 包含关键字 k_i, …, k_r-1（和伪关键字 d_i-1, …, d_r-1），而右子树包含关键字 k_r+1, …, k_j（和伪关键字 d_r 和 d_j）
只要 检查所有可能的根结点 k_r (i <= r <= j)，并对每种情况分别求解包含 k_i, ···, k_r-1 及包含 k_r+1, …, k_j 的最优二叉搜索树，即可保证找到原问题的最优解
2、空子树：选定 k 为根结点，k_i 的左子树包含关键字 k_i, … , k_i-1。将此序列 解释为不包含任何关键字，但请注意，子树仍然包含伪关键字
包含关键字序列 k_i, …, k_i-1 的子树 不含任何实际关键字，但包含单一伪关键字 d_i-1
5.2 一个递归算法
1、选取子问题域为：求解包含关键字 k_i, …, k_j 的最优二叉搜索树，其中 i >= 1，j <= n 且 j >= i-1。定义 e[i, j] 为包含关键字 k_i, …, k_j 的最优二叉搜索树中 进行一次搜索的期望代价
2、j = i-1 的情况最为简单，由于 子树只包含伪关键字 d_i-1，期望搜索代价为 e[i, i-1] = q_i-1
当 j >= i 时，需要从 k_i, ··, k_j 中选择一个根结点 k_r，然后构造一棵包含关键字 k_i, ···, k_r-1 的最优二叉搜索树 作为其左子树，以及一棵包含关键字 k_r+1, …, k_j 的二叉搜索树作为其右子树。当一棵子树成为一个结点的子树时，期望搜索代价的变化：
由于每个结点的深度都增加了1，根据公式
这棵子树的期望搜索代价的增加值 应为所有概率之和，对于包含关键字 k_i，…，k_j 的子树，所有概率之和为
因此 ，若 k_r 为包含关键字 k_i，…，k_j 的最优二叉搜索树的根结点，有如下公式
只有 p_r 没有 q_r，w拆分 q 不会有缺项
因此 e[i, j] 可重写为
假定 知道哪个结点 k 应该作为根结点。如果选取 期望搜索代价最低者 作为根结点， 可得最终递归公式
e[i, j] 的值给出了 最优二叉搜索树的期待搜索代价，定义 root[i, j] 保存根结点 k_r 的下标 r
5.3 计算最优二叉搜索树的期望搜索代价
1、求解最优二叉搜索树 和 矩阵链乘法 的一些相似之处。它们的子问题都 由连续的下标域组成。直接递归实现，与矩阵链乘法问题的直接递归算法 一样低效
用一个表 e[1…n+1, 0…n] 来保存 e[i, j] 值。第一维下标上界为 n + 1 而不是 n，原因在于 对于只包含伪关键字 d_n 的子树，需要计算并保存 e[n+1, n]。第二维下标下界为0，是因为对于 只包含伪关键字 d_0 的子树，需要计算并保存 e[n + 1, n]。只使用表中满足 j >= i-1 的表项 e[1, 0]。还使用一个表 root，表项 root[i, j] 记录包含关键字 k_i, …, k_j 的子树的根，只使用此表中满足 1 <= i <= j <= n 的表项 root[i, j]
还需要 另一个表来提高计算效率。为了避免 每次计算 e[i, j] 时都重新计算 w(i, j)， 将这些值保存在表 w[1…n+1, 0…n] 中，这样每次可节省 Θ(j - i) 次加法。对基本情况，令 
对 Θ(n2) 个 w[i, j]，每个的计算时间为 Θ(1)
伪代码接受概率列表 p_1, …, p_n 和 q_0 … ，q_n 及规模n作为输入，返回表 e 和 root
OPTIMAL-BST(p, q, n)
1 let e[1..n+1, 0..n], w[1..n+1, 0..n], and root[1..n, 1..n] be new tables
2 for i = 1 to n+1
3 w[i, i-1] = q_i-1
4 e[i, i-1] = q_i-1
5 for l = 1 to n // 长度
6 for i = 1 to n-l+1 // 起始点
7 j = i + l - 1 // i = n - i + 1 代入就是n
8 e[i, j] = ∞
9 w[i, j] = w[i, j-1] + p_j + q_j // 算完就不更新了
10 for r = i to j // 以不同的结点为根
11 t = e[i, r-1] + e[r+1, j] + w[i, j]
12 if t < e[i, j]
13 e[i, j] = t
14 root[i, j] = r // 记录根
15 return e and root
OPTIMAL-BST 输入上图的关键字分布后 计算出的表 e[i, j] 、w[i, j] 和 root[i, j]
对角线旋转到了水平方向，OPTIMAL-BST 按自底向上的顺序逐行计算，在每行中由左至右计算每个表项
与 MATRIX-CHAIN-ORDER 一样，OPTIMAL-BST 的时间复杂度也是 θ(n3)。由于它包含三重 for 循环，而每层循环的下标最多取 n 个值，因此很容易得出其运行时间为 O(n3)
2、设计伪代码 CONSTRUCT-OPTIMAL-BST(root)，输入为表 root，输出是最优二叉搜索树的结构
CONSTRUCT-OPTIMAL-BST(root, i, j, last)
if i == j
return
if last == 0
print root[i, j] + "is the root"
else if j < last
print root[i, j] + "is the left child of" + last
else
print root[i, j] + "is the right child of" + last
CONSTRUCT-OPTIMAL-BST(root, i, root[i, j] - 1, root[i, j])
CONSTRUCT-OPTIMAL-BST(root, root[i, j] + 1, j, root[i, j])
last 是根，且 与i, j一起用来判断是 左右子树
3、
