划水划的太久了，需要做一些复健运动。这篇文章拿来更新最近重新学习DP的笔记。 动态规划 动态规划是用于解决最优化问题的一种方法，而不是某一个算法。对于不同问题，最优解的条件不同，因而有着不同的DP设计方法。因而在实际中必须对具体问题分析处理。 基本模型 动态规划适用于多阶段决
lintcode-77 描述 给出两个字符串，找到最长公共子序列(LCS)，返回LCS的长度。 这道题可以看做最长连续公共子序列的升级版 首先看状态转移： 当A[m]=B[n]时，则LCSCount=f[m-1][n-1]+1 当A[m]≠B[n]时，则LCSCount=min(f[m-1][n],f[m][n-1]) public static int longestSubstringSe
后缀自动机的一大用处就是求最长公共子串了 这道题的话题意就是给你两个字符串，求最长公共子串 做法的话是先使用一个字符串建立SAM，然后让另一个串在上面进行匹配 匹配的策略是优先匹配当前节点的下一个字符，如果没有可以匹配的，就沿着parent树向上跳，如果到根了，就重新初始化重新开始搜
LCS--Longest Common Subsequence，即最长公共子序列，一般使用DP来解。 常规方法： dp[i][j]表示字符串s1前i个字符组成的字符串与s2前j个字符组成的字符串的LCS的长度，则当s1[i-1]==s2[j-1]时，dp[i][j]=dp[i-1][j-1]，否则dp[i][j]=max(dp[i-1][j],dp[i][j-1])。 最终的dp[len1][len2]即最
Problem Description 如果一个字符串可以被拆分为 \(AABB\) 的形式，其中 \(A\) 和 \(B\) 是任意非空字符串，则我们称该字符串的这种拆分是优秀的。 例如，对于字符串 aabaabaa，如果令 \(A = \mathrm{aab}\)，\(B = \mathrm{a}\)，我们就找到了这个字符串拆分成 \(AABB\) 的一种方式。 一个字
public static int lcs(String str1, String str2) { int len1 = str1.length(); int len2 = str2.length(); int c[][] = new int[len1+1][len2+1]; for (int i = 0; i <= len1; i++) { for( int j = 0; j <= len2; j++) {
【BZOJ4560】[NOI2016]优秀的拆分 题面 bzoj 洛谷 题解 考虑一个形如\(AABB\)的串是由两个形如\(AA\)的串拼起来的 那么我们设 \(f[i]\):以位置\(i\)为结尾的形如\(AA\)串的个数 \(g[i]\):以位置\(i\)为开头的形如\(AA\)串的个数 \[ \therefore Ans=\sum_{i=1}^nf[i]*g[i+1] \] 题
最长公共子序列 //最长公共子序列(个数) #include<iostream> using namespace std; int c[100][100]={0}; int len1,len2; int gcd(string a,string b){ len1=a.length(); len2=b.length(); int tmp=-1; for(int i=0;i<len1;i++) { for(int j=0;j<
原理： 动态规划就是把一个大问题一步步降解成越来越小的子问题，直到子问题小到可以用确定的条件来解答。 但是动态规划的本质不是递归，递归是完全自顶而下的，每次求解都需要重新计算所有的子问题。 我觉得反映动态规划本质的解法是自底而上的解法，即按照顺序，从基元问题一步步扩大问题的
