购物类网站建设网站推广的技巧

        在C++的动态规划中，选择一维或二维DP表的核心依据是 状态变量的数量 和 状态转移的依赖关系。以下是清晰的判断逻辑和具体场景分析：

---

一、一维DP表

适用条件

1. 单个状态变量：问题仅需一个参数定义状态（例如：数组下标、时间步、容量等）。

2. 线性依赖：当前状态仅依赖于 前序的少数状态（如dp[i]依赖dp[i-1]或dp[i-2]）。

典型问题

1. 斐波那契数列：

   int fib(int n) {// 边界条件：如果n小于等于1，直接返回n// 因为斐波那契数列的第0项是0，第1项是1if (n <= 1) return n;// 定义一个大小为n+1的一维数组dp，用于存储斐波那契数列的值// dp[i]表示第i个斐波那契数vector<int> dp(n+1);// 初始化dp数组的前两项// dp[0] = 0：斐波那契数列的第0项是0// dp[1] = 1：斐波那契数列的第1项是1dp[0] = 0; dp[1] = 1;// 从第2项开始，逐个计算斐波那契数列的值for (int i=2; i<=n; i++) // 状态转移方程：当前项等于前两项之和// dp[i] = dp[i-1] + dp[i-2]dp[i] = dp[i-1] + dp[i-2];// 返回第n个斐波那契数return dp[n];
   }

2. 爬楼梯问题（每次爬1或2步）：

   int climbStairs(int n) {// 定义一个大小为n+1的一维数组dp，用于存储爬楼梯问题的解// dp[i]表示爬到第i阶楼梯的方法数vector<int> dp(n+1);// 初始化dp数组的前两项// dp[0] = 1：爬到第0阶楼梯的方法数为1（理解为起点）// dp[1] = 1：爬到第1阶楼梯的方法数为1（只有一种方式：爬1步）dp[0] = 1; dp[1] = 1;// 从第2阶开始，逐个计算爬到每阶楼梯的方法数for (int i=2; i<=n; i++)// 状态转移方程：爬到第i阶楼梯的方法数等于爬到第i-1阶和第i-2阶的方法数之和// 因为每次可以爬1步或2步dp[i] = dp[i-1] + dp[i-2];// 返回爬到第n阶楼梯的方法数return dp[n];
   }

3. 0-1背包问题（空间优化版）（注意：原始0-1背包是二维，但可用一维优化）：

   int knapsack(vector<int>& weights, vector<int>& values, int capacity) {// 定义一个大小为capacity+1的一维数组dp，初始化为0// dp[j]表示背包容量为j时的最大价值vector<int> dp(capacity + 1, 0);// 遍历每个物品for (int i=0; i<weights.size(); i++) // 逆序遍历背包容量，从最大容量到当前物品的重量// 逆序更新是为了确保每个物品只被使用一次（0-1背包问题）for (int j=capacity; j>=weights[i]; j--) // 状态转移方程：选择是否将当前物品放入背包// dp[j]表示不放入当前物品时的最大价值// dp[j - weights[i]] + values[i]表示放入当前物品时的最大价值dp[j] = max(dp[j], dp[j - weights[i]] + values[i]);// 返回背包容量为capacity时的最大价值return dp[capacity];
   }

---

二、二维DP表

适用条件

1. 两个状态变量：问题需要两个参数定义状态（例如：两个序列的索引、二维坐标等）。

2. 多维依赖：当前状态依赖多个方向的状态（如左、上、左上等）。

典型问题

1. 最长公共子序列（LCS）：

   int lcs(string& s1, string& s2) {// 获取两个字符串的长度int m = s1.size(), n = s2.size();// 定义一个大小为(m+1) x (n+1)的二维数组dp，初始化为0// dp[i][j]表示s1的前i个字符和s2的前j个字符的最长公共子序列长度vector<vector<int>> dp(m+1, vector<int>(n+1, 0));// 遍历s1的每个字符for (int i=1; i<=m; i++) {// 遍历s2的每个字符for (int j=1; j<=n; j++) {// 如果当前字符相等if (s1[i-1] == s2[j-1]) // 状态转移方程：当前字符相等时，LCS长度加1dp[i][j] = dp[i-1][j-1] + 1;else // 状态转移方程：当前字符不相等时，取左边或上边的最大值dp[i][j] = max(dp[i-1][j], dp[i][j-1]);}}// 返回s1和s2的最长公共子序列长度return dp[m][n];
   }

2. 编辑距离：

   int minDistance(string s1, string s2) {// 获取两个字符串的长度int m = s1.size(), n = s2.size();// 定义一个大小为(m+1) x (n+1)的二维数组dp，初始化为0// dp[i][j]表示将s1的前i个字符转换为s2的前j个字符所需的最小操作数vector<vector<int>> dp(m+1, vector<int>(n+1, 0));// 初始化dp表的第一列：将s1的前i个字符转换为空字符串需要i次删除操作for (int i=0; i<=m; i++) dp[i][0] = i;// 初始化dp表的第一行：将空字符串转换为s2的前j个字符需要j次插入操作for (int j=0; j<=n; j++) dp[0][j] = j;// 遍历s1的每个字符for (int i=1; i<=m; i++) {// 遍历s2的每个字符for (int j=1; j<=n; j++) {// 如果当前字符相等if (s1[i-1] == s2[j-1]) // 状态转移方程：当前字符相等时，不需要操作，直接继承dp[i-1][j-1]dp[i][j] = dp[i-1][j-1];else // 状态转移方程：当前字符不相等时，取插入、删除、替换操作的最小值，并加1dp[i][j] = 1 + min({dp[i-1][j], dp[i][j-1], dp[i-1][j-1]});}}// 返回将s1转换为s2所需的最小操作数return dp[m][n];
   }

3. 矩阵路径问题（带障碍物）：

   int uniquePathsWithObstacles(vector<vector<int>>& grid) {// 获取网格的行数和列数int m = grid.size(), n = grid[0].size();// 定义一个大小为m x n的二维数组dp，初始化为0// dp[i][j]表示从起点(0,0)到点(i,j)的路径数量vector<vector<int>> dp(m, vector<int>(n, 0));// 初始化起点(0,0)的路径数量// 如果起点不是障碍物（grid[0][0] == 0），则dp[0][0] = 1，否则为0dp[0][0] = grid[0][0] == 0 ? 1 : 0;// 遍历网格的每个点for (int i=0; i<m; i++) {for (int j=0; j<n; j++) {// 如果当前点是障碍物，跳过if (grid[i][j] == 1) continue;// 如果上方有格子（i>0），则从上方格子到达当前点的路径数累加到dp[i][j]if (i>0) dp[i][j] += dp[i-1][j];// 如果左方有格子（j>0），则从左方格子到达当前点的路径数累加到dp[i][j]if (j>0) dp[i][j] += dp[i][j-1];}}// 返回到达终点(m-1,n-1)的路径数量return dp[m-1][n-1];
   }

---

三、如何快速判断维度？

1. 分析问题的状态定义：

   • 若问题需要同时跟踪 两个独立的变量（如两个字符串的位置、二维坐标），用二维。

   • 若问题只需一个变量（如时间、容量），用一维。

2. 观察状态转移方程：

   • 若转移方程涉及 dp[i][j] 依赖 dp[i-1][j-1] 或 dp[i][j-1]，必须用二维。

   • 若转移方程仅依赖 dp[i-1] 或 dp[i-2]，可以尝试一维。

3. 特殊情况：

   • 有些二维问题可以通过 滚动数组 优化为一维（如0-1背包）。

   • 但若状态依赖关系复杂（如需要左上角的值），则无法优化。

---

四、总结

维度	适用场景	示例问题	状态依赖
一维DP	单一状态变量，线性依赖	斐波那契、爬楼梯、0-1背包优化	dp[i]依赖dp[i-1]
二维DP	两个状态变量，多维依赖	LCS、编辑距离、矩阵路径	dp[i][j]依赖左、上、左上

---

五、一维DP表示例：斐波那契数列

#include <iostream>
#include <vector>
using namespace std;int fibonacci(int n) {if (n <= 1) return n; // 边界条件：斐波那契数列的前两项为0和1vector<int> dp(n + 1, 0); // 定义一维DP表，dp[i]表示第i个斐波那契数dp[0] = 0; // 初始化第0项dp[1] = 1; // 初始化第1项for (int i = 2; i <= n; i++) {dp[i] = dp[i - 1] + dp[i - 2]; // 状态转移方程：当前项等于前两项之和}return dp[n]; // 返回第n项的结果
}int main() {int n = 10;cout << "Fibonacci(" << n << ") = " << fibonacci(n) << endl; // 输出结果return 0;
}

代码解析

1. 边界条件：

   • 斐波那契数列的前两项是固定的：dp[0] = 0，dp[1] = 1。

   • 如果n <= 1，直接返回n，避免不必要的计算。

2. DP表定义：

   • vector<int> dp(n + 1, 0)：定义一个大小为n+1的一维数组，初始值为0。

   • dp[i]表示第i个斐波那契数。

3. 状态转移方程：

   • dp[i] = dp[i - 1] + dp[i - 2]：当前项等于前两项之和。

   • 这是斐波那契数列的核心递推关系。

4. 空间优化：

   • 由于dp[i]只依赖于dp[i-1]和dp[i-2]，可以进一步优化为只使用两个变量，而不是整个数组。

---

六、二维DP表示例：最长公共子序列（LCS）

#include <iostream>
#include <vector>
#include <string>
using namespace std;int lcs(string& s1, string& s2) {int m = s1.size(), n = s2.size(); // 获取两个字符串的长度vector<vector<int>> dp(m + 1, vector<int>(n + 1, 0)); // 定义二维DP表，dp[i][j]表示s1[0..i-1]和s2[0..j-1]的LCS长度for (int i = 1; i <= m; i++) { // 遍历s1的每个字符for (int j = 1; j <= n; j++) { // 遍历s2的每个字符if (s1[i - 1] == s2[j - 1]) { // 如果当前字符相等dp[i][j] = dp[i - 1][j - 1] + 1; // 状态转移：LCS长度加1} else { // 如果当前字符不相等dp[i][j] = max(dp[i - 1][j], dp[i][j - 1]); // 状态转移：取左边或上边的最大值}}}return dp[m][n]; // 返回最终结果
}int main() {string s1 = "abcde";string s2 = "ace";cout << "LCS length: " << lcs(s1, s2) << endl; // 输出结果return 0;
}

代码解析

1. DP表定义：

   • vector<vector<int>> dp(m + 1, vector<int>(n + 1, 0))：定义一个大小为(m+1) x (n+1)的二维数组，初始值为0。

   • dp[i][j]表示字符串s1的前i个字符和s2的前j个字符的最长公共子序列长度。

2. 状态转移方程：

   • 如果s1[i-1] == s2[j-1]，则dp[i][j] = dp[i-1][j-1] + 1。

   • 如果s1[i-1] != s2[j-1]，则dp[i][j] = max(dp[i-1][j], dp[i][j-1])。

3. 初始化：

   • dp[0][j]和dp[i][0]都初始化为0，因为空字符串与任何字符串的LCS长度为0。

4. 遍历顺序：

   • 外层循环遍历s1，内层循环遍历s2，确保每个子问题都被正确计算。

5. 结果：

   • dp[m][n]即为两个字符串的最长公共子序列长度。

---

七、动态规划的核心知识点

1. 状态定义：

   • 明确dp[i]或dp[i][j]表示什么。例如：

     • 斐波那契数列：dp[i]表示第i个斐波那契数。

     • LCS问题：dp[i][j]表示s1[0..i-1]和s2[0..j-1]的最长公共子序列长度。

2. 状态转移方程：

   • 描述当前状态与之前状态的关系。例如：

     • 斐波那契数列：dp[i] = dp[i-1] + dp[i-2]。

     • LCS问题：dp[i][j] = dp[i-1][j-1] + 1（如果字符相等），否则dp[i][j] = max(dp[i-1][j], dp[i][j-1])。

3. 初始化：

   • 根据问题的边界条件初始化DP表。例如：

     • 斐波那契数列：dp[0] = 0，dp[1] = 1。

     • LCS问题：dp[0][j] = 0，dp[i][0] = 0。

4. 遍历顺序：

   • 确保在计算dp[i][j]时，所依赖的状态已经计算完成。

5. 空间优化：

   • 如果状态转移只依赖于有限的前几个状态，可以优化空间复杂度。例如：

     • 斐波那契数列：用两个变量代替整个数组。

     • 0-1背包问题：用一维数组代替二维数组。

---

八、总结

• 一维DP表：适用于状态变量单一、依赖关系简单的问题（如斐波那契数列、爬楼梯问题）。

• 二维DP表：适用于状态变量有两个、依赖关系复杂的问题（如LCS、编辑距离）。

• 核心步骤：定义状态、写出状态转移方程、初始化、确定遍历顺序、优化空间（可选）。