目录
12.1 动态规划的核心思想
12.2 经典动态规划问题
12.3 动态规划在图中的应用
12.4 高级动态规划技术
总结
数据结构与算法：动态规划的深度探讨
动态规划（Dynamic Programming, DP）是一种解决复杂问题的有效方法，特别适用于那些可以被分解为重叠子问题的场景。通过使用动态规划，我们可以显著减少解决某些问题的时间复杂度。本章将探讨动态规划的核心思想、经典问题、在图中的应用以及高级技术。
12.1 动态规划的核心思想
动态规划的核心思想是将问题分解为多个子问题，通过记忆化存储或表格化存储避免重复计算，从而提高计算效率。
最优子结构与子问题重叠的细致分析：
-
最优子结构：问题的最优解由其子问题的最优解构成。
-
子问题重叠：问题在求解过程中会出现许多相同的子问题。
| 核心思想 | 说明 |
|---|---|
| 最优子结构 | 问题可以分解为子问题，子问题的最优解组合构成问题的最优解 |
| 子问题重叠 | 解决问题时会反复计算相同的子问题 |
代码示例：斐波那契数列的动态规划实现
#include <stdio.h>
#define MAX 100
int fibonacci(int n) {
int dp[MAX];
dp[0] = 0;
dp[1] = 1;
for (int i = 2; i <= n; i++) {
dp[i] = dp[i - 1] + dp[i - 2];
}
return dp[n];
}
int main() {
int num = 10;
printf("斐波那契数列的第 %d 项是 %d\n", num, fibonacci(num));
return 0;
}在上述代码中，通过数组 dp 记录中间计算结果，避免了递归中的重复计算问题，从而将时间复杂度降到 O(n)。
自顶向下与自底向上的策略：动态规划有两种实现策略：
-
自顶向下（记忆化搜索）：通过递归的方式解决问题，并用数组或字典存储已计算的结果。
-
自底向上（表格法）：直接从最小的子问题开始，逐步计算出最终问题的解。
| 策略 | 优势 | 劣势 |
| 自顶向下 | 代码简单，容易理解 | 递归栈开销大 |
| 自底向上 | 无递归开销，性能稳定 | 需要设计表格结构，稍显复杂 |
12.2 经典动态规划问题
动态规划可以解决多种经典的组合优化问题，下面是一些典型例子：
背包问题的多种变体与时间优化：背包问题是动态规划中的经典问题，包含01背包、完全背包、多重背包等多种变体。
代码示例：01背包问题的实现
#include <stdio.h>
#define MAX_WEIGHT 50
#define MAX_ITEMS 4
int knapsack(int weights[], int values[], int n, int maxWeight) {
int dp[MAX_ITEMS + 1][MAX_WEIGHT + 1] = {0};
for (int i = 1; i <= n; i++) {
for (int w = 0; w <= maxWeight; w++) {
if (weights[i - 1] <= w) {
dp[i][w] = (values[i - 1] + dp[i - 1][w - weights[i - 1]] > dp[i - 1][w]) ?
(values[i - 1] + dp[i - 1][w - weights[i - 1]]) : dp[i - 1][w];
} else {
dp[i][w] = dp[i - 1][w];
}
}
}
return dp[n][maxWeight];
}
int main() {
int weights[] = {10, 20, 30};
int values[] = {60, 100, 120};
int maxWeight = 50;
printf("最大价值: %d\n", knapsack(weights, values, 3, maxWeight));
return 0;
}在01背包问题中，利用二维数组 dp 存储每个物品在不同重量限制下的最大价值，从而实现优化。
最长公共子序列（LCS）问题与复杂度分析：LCS 问题用于求解两个字符串的最长公共子序列长度，是一个典型的动态规划问题。
| 问题类型 | 示例 | 时间复杂度 |
| 背包问题 | 最大化装入背包物品的总价值 | O(n * W) |
| 最长公共子序列 | 两个字符串最长相同的子序列长度 | O(m * n) |
12.3 动态规划在图中的应用
动态规划在图中的应用非常广泛，尤其是在路径问题上。最短路径、多源最短路径等问题都可以使用动态规划来求解。
Floyd-Warshall算法与多源最短路径：Floyd-Warshall 算法用于求解图中任意两点之间的最短路径，适用于带权图，并且权值可以为负数。
代码示例：Floyd-Warshall算法实现
#include <stdio.h>
#define INF 99999
#define V 4
void floydWarshall(int graph[][V]) {
int dist[V][V];
for (int i = 0; i < V; i++) {
for (int j = 0; j < V; j++) {
dist[i][j] = graph[i][j];
}
}
for (int k = 0; k < V; k++) {
for (int i = 0; i < V; i++) {
for (int j = 0; j < V; j++) {
if (dist[i][k] + dist[k][j] < dist[i][j]) {
dist[i][j] = dist[i][k] + dist[k][j];
}
}
}
}
printf("最短路径矩阵:\n");
for (int i = 0; i < V; i++) {
for (int j = 0; j < V; j++) {
if (dist[i][j] == INF)
printf("INF ");
else
printf("%d ", dist[i][j]);
}
printf("\n");
}
}
int main() {
int graph[V][V] = {
{0, 3, INF, 7},
{8, 0, 2, INF},
{5, INF, 0, 1},
{2, INF, INF, 0}
};
floydWarshall(graph);
return 0;
}在该代码中，通过动态规划实现了 Floyd-Warshall 算法，可以有效地求解所有节点之间的最短路径。
12.4 高级动态规划技术
状态压缩与空间优化：对于某些问题，可以通过状态压缩来减少空间复杂度。例如，在01背包问题中，可以使用一维数组代替二维数组，从而将空间复杂度从 O(n * W) 降到 O(W)。
动态规划与树形DP、区间DP的结合：
-
树形DP：适用于树结构的动态规划问题，通过在树的节点上进行自底向上的计算，求解最优值。
-
区间DP：适用于需要在区间上进行操作的问题，例如矩阵链乘问题，通过将区间逐步扩大，求解最优解。
| 高级技术 | 适用场景 | 优势 |
| 状态压缩 | 减少动态规划的空间复杂度 | 降低空间占用 |
| 树形DP | 树结构上的最优问题 | 利用树的天然层次结构 |
| 区间DP | 区间合并、分割的优化问题 | 逐步扩大区间，减少重复计算 |
代码示例：状态压缩的背包问题实现
#include <stdio.h>
#define MAX_WEIGHT 50
#define MAX_ITEMS 3
int knapsackOptimized(int weights[], int values[], int n, int maxWeight) {
int dp[MAX_WEIGHT + 1] = {0};
for (int i = 0; i < n; i++) {
for (int w = maxWeight; w >= weights[i]; w--) {
if (dp[w] < values[i] + dp[w - weights[i]]) {
dp[w] = values[i] + dp[w - weights[i]];
}
}
}
return dp[maxWeight];
}
int main() {
int weights[] = {10, 20, 30};
int values[] = {60, 100, 120};
int maxWeight = 50;
printf("最大价值 (空间优化): %d\n", knapsackOptimized(weights, values, MAX_ITEMS, maxWeight));
return 0;
}在该代码中，使用状态压缩将空间复杂度从二维降低到一维，从而显著节省了内存空间。
总结
本章深入讨论了动态规划的基本思想、经典问题、在图中的应用及其高级技术。动态规划通过将问题分解为子问题，并通过记忆化存储减少计算次数，从而有效地解决了许多复杂的优化问题。通过理解最优子结构、重叠子问题，以及不同实现策略，我们可以更加高效地解决实际问题。
在下一章中，我们将探讨搜索与优化技术，包括回溯与分支限界等内容，进一步提高问题求解的效率。
![[Linux系统编程] 线程同步(互斥锁，读写锁，死锁，条件变量，信号量)](https://i-blog.csdnimg.cn/direct/e6fbed164b7947d9bb754b90b1858752.png)
