线性 dp 数字三角形

### 什么是线性DP？ 线性动态规划（Linear Dynamic Programming，简称线性DP）是动态规划的一种基本形式，其特点是状态的转移呈现线性结构，即状态之间的依赖关系是单向且连续的。通常，这类问题可以通过一维或二维数组进行状态表示，并通过递推关系逐步求解。 线性DP常用于处理序列问题，如最大子段和、最长上升子序列、数字三角形、传球游戏等。其核心思想是将原问题拆解为多个子问题，并通过状态转移方程将前面的结果传递给后续状态，从而避免重复计算，提高效率 [^1]。 ### 状态表示与状态转移 在动态规划中，状态表示是解决问题的关键。线性DP中的状态通常具有以下特征： - **状态维度**：状态通常是一维或二维的，例如`dp[i]`表示以第`i`个元素结尾的最优解。 - **状态转移方式**：当前状态`dp[i]`往往依赖于前面的状态`dp[i-1]`或`dp[i-k]`，有时也可能依赖多个前驱状态，如`dp[i] = max(dp[i-1], dp[i-2])` [^4]。 例如，在最大子段和问题中，状态表示为`dp[i]`表示以`a[i]`结尾的最大连续子段和，状态转移方程为： ```cpp dp[i] = max(dp[i-1] + a[i], a[i]) ``` 最终的最大子段和则是所有`dp[i]`中的最大值 [^4]。 ### 应用场景 线性DP广泛应用于以下问题： - **最大子段和**：给定一个整数序列，求其连续子序列的最大和。 - **最长上升子序列**：在一个序列中找出最长的严格递增子序列。 - **数字三角形问题**：从三角形顶部到底部，每一步只能走到相邻节点，求路径的最大值。 - **传球游戏**：求从起点传球`k`次后回到起点的方案数。 - **乌龟棋**：使用不同类型的卡片前进，求能到达的最大分数。 例如，在数字三角形问题中，可以使用二维DP进行求解： ```cpp #include <iostream> #include <algorithm> using namespace std; const int N = 510; int n, INF = 1e9; int a[N][N], f[N][N]; int main() { cin >> n; for (int i = 1; i <= n; i++) for (int j = 1; j <= i; j++) cin >> a[i][j]; for (int i = 0; i <= n; i++) for (int j = 0; j <= i + 1; j++) f[i][j] = -INF; f[1][1] = a[1][1]; for (int i = 2; i <= n; i++) for (int j = 1; j <= i; j++) f[i][j] = max(f[i - 1][j - 1] + a[i][j], f[i - 1][j] + a[i][j]); int res = -INF; for (int i = 1; i <= n; i++) res = max(res, f[n][i]); cout << res << endl; return 0; } ``` 该程序使用了线性DP的思想，通过状态转移逐步计算出每一层的最大路径和 [^3]。 ### 优化策略 线性DP在实际应用中可以通过以下方式进行优化： - **滚动数组优化**：当状态只依赖于前一层状态时，可以用一维数组代替二维数组，节省空间。 - **前缀和优化**：对于某些涉及区间和的问题，可以预处理前缀和数组，从而减少重复计算。 - **单调队列/双端队列优化**：在特定条件下，如滑动窗口最值问题中，可以利用单调队列优化状态转移过程 [^1]。 ###