c语言dp算法思想

㈠ 想知道dp算法是什么呢

DP算法是用于求解具有某种最优性质的问题的一种常用方法。

动态规划与其它算法相比，大大减少了计算量，丰富了计算结果，不仅求出了当前状态到目标状态的最优值，而且同时求出了到中间状态的最优值，这对于很多实际问题来说是很有用的。

动态规划相比一般算法也存在一定缺点：空间占据过多，但对于空间需求量不大的题目来说，动态规划无疑是最佳方法，动态规划算法和贪婪算法都是构造最优解的常用方法。动态规划算法没有一个固定的解题模式，技巧性很强。

动态规划基本思想：一般来说，只要问题可以划分成规模更小的子问题，并且原问题的最优解中包含了子问题的最优解，则可以考虑用动态规划解决。

动态规划的实质是分治思想和解决冗余，因此，动态规划是一种将问题实例分解为更小的、相似的子问题，并存储子问题的解而避免计算重复的子问题，以解决最优化问题的算法策略。

㈡ dp算法是什么

动态规划算法（Dynamic Programming），是将复杂问题拆分成子问题，并在子问题的基础上，求解复杂问题，子问题之间不是独立的，而是相互依存的。

动态规划过程是：每次决策依赖于当前状态，又随即引起状态的转移。一个决策序列就是在变化的状态中产生出来的，所以，这种多阶段最优化决策解决问题的过程就称为动态规划（DP）。

动态规划算法有两种实现形式：递归，非递归。

动态规划的算法设计

1、找出最优解的性质，并描述其结构特征。

2、递归定义最优值。

3、以自底向上的方式计算最优值。

4、根据计算最优值时得到的信息构造出最优解。

㈢ dp的算法是什么

DP算法是解决多阶段决策过程最优化问题的一种常用方法。

多阶段决策过程是指这样一类特殊的活动过程，过程可以按时间顺序分解成若干个相互联系的阶段，在每一个阶段都需要做出决策，全部过程的决策是一个决策序列。

动态规划算法是解决多阶段决策过程最优化问题的一种常用方法，难度比较大，技巧性也很强。利用动态规划算法，可以优雅而高效地解决很多贪婪算法或分治算法不能解决的问题。

原理

动态规划问世以来，在经济管理、生产调度、工程技术和最优控制等方面得到了广泛的应用。例如最短路线、库存管理、资源分配、设备更新、排序、装载等问题，用动态规划方法比用其它方法求解更为方便。

虽然动态规划主要用于求解以时间划分阶段的动态过程的优化问题，但是一些与时间无关的静态规划(如线性规划、非线性规划)，只要人为地引进时间因素，把它视为多阶段决策过程，也可以用动态规划方法方便地求解。

㈣ C语言*fp = *dp如何理解

fp地址的间接访问到的空间被赋予dp地址下所存储的值，这么说可能有点绕口吧。。。就是说dp和fp都是指针地址，把fp地址下的空间赋值为dp的地址空间下所存储的值

㈤ dp算法是什么呢

dp算法就是动态规划，是运筹学的一个分支，是求解决策过程最优化的过程。

动态规划方法一般用来求解最优化问题。这类问题可以有很多可行解，每个解都有一个值，我们希望找到具有最优值的解，我们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。

动态规划过程介绍：

确定动态规划三要素，整个求解过程就可以用一个最优决策表来描述，最优决策表是一个二维表，其中行表示决策的阶段，列表示问题状态。

表格需要填写的数据一般对应此问题的在某个阶段某个状态下的最优值（如最短路径，最长公共子序列，最大价值等），填表的过程就是根据递推关系，从1行1列开始，以行或者列优先的顺序，依次填写表格，最后根据整个表格的数据通过简单的取舍或者运算求得问题的最优解。

㈥ C语言，最长上升子序列数,,

最长上升子序列（LIS）
问题描述：设现在有一串序列，要求找出它的一串子序列，这串子序列可以不连续，但必须满足它是严格的单调递増的且为最长的。把这个长度输出。
示例：1 7 3 5 9 4 8 结果为4
题例：参看POJ 2533
解法：
1. DP之O(n2)算法：先按DP的思想来分析一下，要想求n个数的最长上升子序列，设有数据数组data[n]和状态数组dp[n]，则对其尾元素data[n]来说，它的最长上升子序列就是它自己，即dp[n]=1，而当把它的前一个元素data[n-1]考虑进来时，如果data[n-1]<data[n]则会存在一个长度为2的上升子序列，如果data[n-1]>data[n]那么这个长度仍会是1。当把这个思想一般化的时候，对于任意一个元素data[k]来说，我们需要找出在data[k]以后的元素中比data[k]大，并且最长的一个序列做为它的后继。这样dp[k]就可以写成dp[k+1]+1。现在我们定义一个量dp[k]=m，它代表着到第k个元素为止（可以包含k也可以不包含k），它的最长上升序列的长度为m。仔细体会dp[k]=m的意义，这里面的k是可包括在内，也可以不包括在内的（与之前的最大子序列和不同）。要想确定这个m的值，就必须找到一个在第k个元素之前的一个元素的值小于data[k]的值，并且那个元素所对应的dp值是找到的满足第一个条件前提下dp值最大的一个。这就意味着我们需要内层遍历之前算出来的dp值，所以需要两层循环来实现这个算法。这样我们就可以总结出状态转移方程为dp[k]=max(dp[i](1<=i<=k&&a[i]<a[k])+1。其中找dp[i]的过程我们需要用一层循环来实现，而找dp[k]的过程也要一层循环，所以我们得到了O(n2)的算法。
dp[k]=max(dp[i])+1 其中i满足(1<=i<=k&&a[i]<a[k])
例程：
#include <stdio.h>
const int inf = -0x3fffffff;
int main(void)
{
int i,j,len,max,res,data[] = {1,7,3,5,9,4,8},dp[20]={1};
len = sizeof(data)/sizeof(int);
res = max = inf;
for(i=1;i<len;i++)
{
max = inf;
for(j=0;j<=i;j++)
if(data[i]>data[j]&&max<dp[j])
max=dp[j];
dp[i]=max+1;
if(res<dp[i])
res = dp[i];
}
printf("%d\n",res);
return 0;
}

㈦ 什么是dp算法

DP算法是解决多阶段决策过程最优化问题的一种常用方法。
多阶段决策过程（multistep decision process）是指这样一类特殊的活动过程，过程可以按时间顺序分解成若干个相互联系的阶段，在每一个阶段都需要做出决策，全部过程的决策是一个决策序列。动态规划（dynamic programming）算法是解决多阶段决策过程最优化问题的一种常用方法，难度比较大，技巧性也很强。利用动态规划算法，可以优雅而高效地解决很多贪婪算法或分治算法不能解决的问题。
动态规划算法的基本思想是：将待求解的问题分解成若干个相互联系的子问题，先求解子问题，然后从这些子问题的解得到原问题的解；对于重复出现的子问题，只在第一次遇到的时候对它进行求解，并把答案保存起来，让以后再次遇到时直接引用答案，不必重新求解。动态规划算法将问题的解决方案视为一系列决策的结果，与贪婪算法不同的是，在贪婪算法中，每采用一次贪婪准则，便做出一个不可撤回的决策；而在动态规划算法中，还要考察每个最优决策序列中是否包含一个最优决策子序列，即问题是否具有最优子结构性质。

㈧ C语言编程题中的DP题 是什么类型题

DP就是动态规划（Dynamic Programming)。

1，什么是动态规划（DP）？

非常重要！，不要认为概念不重要，理解的深刻，你才知道对于什么样的问题去考虑有没有动态规划的方法，以及如何去使用动态规划。

1）动态规划是运筹学中用于求解决策过程中的最优化数学方法。 当然，我们在这里关注的是作为一种算法设计技术，作为一种使用多阶段决策过程最优的通用方法。

它是应用数学中用于解决某类最优化问题的重要工具。

2）如果问题是由交叠的子问题所构成，我们就可以用动态规划技术来解决它，一般来说，这样的子问题出现在对给定问题求解的递推关系中，这个递推关系包含了相

同问题的更小子问题的解。动态规划法建议，与其对交叠子问题一次又一次的求解，不如把每个较小子问题只求解一次并把结果记录在表中（动态规划也是空间换时间

的），这样就可以从表中得到原始问题的解。

关键词：

它往往是解决最优化问题滴

问题可以表现为多阶段决策（去网上查查什么是多阶段决策！）
交叠子问题：什么是交叠子问题，最有子结构性质。

动态规划的思想是什么：记忆，空间换时间，不重复求解，由交叠子问题从较小问题解逐步决策，构造较大问题的解。

一个最简单的DP问题就是斐波拉切数列。f(n) = f(n-1) + f(n-2)
如果采用递归的方法计算，复杂度很高的。
还有一个问题就是矩阵的连乘问题， 计算最少的乘法次数，这些都是经典的DP问题。

㈨ 编程中的 DP是什么意思 比如数位DP 什么的

dp表示dynamic programing，这里programing不是编程的意思，意为规划

dp就是动态规划，本来是运筹学里面的一种技术，现在多用在编程里面。特别是信息学竞赛和acm竞赛

㈩ dp算法是什么呢

dp算法就是动态规划，是运筹学的一个分支，是求解决策过程最优化的过程。

动态规划方法一般用来求解最优化问题。这类问题可以有很多可行解，每个解都有一个值，我们希望找到具有最优值的解，我们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。

动态规划的算法设计

1、找出最优解的性质，并描述其结构特征。

2、递归定义最优值。

3、以自底向上的方式计算最优值。

4、根据计算最优值时得到的信息构造出最优解。