树形动态规划一般用于处理求树上最优值的问题。大多数动态规划问题都是在一维二维这种规则的背景下的,可以解决的问题比较局限,而树作为一种特殊的图,可以描述比较复杂的关系,再加上树的递归定义,是一种非常合适进行动态规划处理的数据结构。
具体来说,在树形动态规划当中,一般先算子树再进行合并。与树的后序遍历相似,都是先遍历子树,遍历完之后将子树的值传给父亲。简单来说就是先递归访问所有子树,再在根上合并。
了解了树形动态规划的基本思想后,下面来看一个树形动态规划的例题。
某大学有 n n n 个职员,编号为 1 … n 1\ldots n 1…n。
他们之间有从属关系,也就是说他们的关系就像一棵以校长为根的树,父结点就是子结点的直接上司。
现在有个周年庆宴会,宴会每邀请来一个职员都会增加一定的快乐指数 h i h_i hi?,但是呢,如果某个职员的直接上司来参加舞会了,那么这个职员就无论如何也不肯来参加舞会了。
所以,请你编程计算,邀请哪些职员可以使快乐指数最大,求最大的快乐指数。
输入的第一行是一个整数 n n n。
第 2 2 2 到第 ( n + 1 ) (n + 1) (n+1) 行,每行一个整数,第 ( i + 1 ) (i+1) (i+1) 行的整数表示 i i i 号职员的快乐指数 h i h_i hi?。
第 ( n + 2 ) (n + 2) (n+2) 到第 2 n 2n 2n 行,每行输入一对整数 l , k l, k l,k,代表 k k k 是 l l l 的直接上司。
输出一行一个整数代表最大的快乐指数。
7
1
1
1
1
1
1
1
1 3
2 3
6 4
7 4
4 5
3 5
5
对于 100 % 100\% 100% 的数据,保证 1 ≤ n ≤ 6 × 1 0 3 1\leq n \leq 6 \times 10^3 1≤n≤6×103, ? 128 ≤ h i ≤ 127 -128 \leq h_i\leq 127 ?128≤hi?≤127, 1 ≤ l , k ≤ n 1 \leq l, k \leq n 1≤l,k≤n,且给出的关系一定是一棵树。
从给出的测试样例,可以构建出这样一棵树。
从图中可以看出,
1
、
2
1、2
1、2的上司是
3
3
3,
6
、
7
6、7
6、7的上司是
4
4
4,如果
3
、
4
3、4
3、4不参加舞会的话,邀请
1
、
2
、
5
、
6
、
7
1、2、5、6、7
1、2、5、6、7,可以使快乐指数最大为
5
5
5。由此可见:
因此,在状态表示时需要考虑树的整体收益,以及结点的状态(邀请或者不邀请)。
不妨设整棵树的根结点为 r r r,那么最终答案是 f [ r ] [ 0 ] f[r][0] f[r][0]和 f [ r ] [ 1 ] f[r][1] f[r][1]的最大值。
对于 i i i为根的子树,考虑当前的根结点 i i i的状态:
f [ i ] [ 1 ] f[i][1] f[i][1]表示在邀请根结点 i i i时的最大快乐指数,其初始值为 h [ i ] h[i] h[i]。
由于在递归的过程每个点都只会算一次,所以总的时间复杂度为 O ( n ) O(n) O(n)。
#include <iostream>
#include <vector>
using namespace std;
const int N = 6010;
int h[N]; //快乐指数
int fa[N]; //保存每个结点的父节点
//邻接表存储树
vector<int> g[N];
//f[i][0]表示以i为根的子树,在不邀请根结点i时的最大快乐指数
//f[i][1]表示以i为根的子树,在邀请根结点i时的最大快乐指数
int f[N][2];
void dfs(int i)
{
f[i][1] = h[i]; //初始状态
for(int j : g[i]) //遍历i的子结点
{
dfs(j); //递归计算以j为根的子树
f[i][0] += max(f[j][0], f[j][1]);
f[i][1] += f[j][0];
}
}
int main()
{
int n;
cin >> n;
//输入快乐指数
for(int i = 1; i <= n; i ++) cin >> h[i];
//构建树
for(int i = 1; i < n; i ++)
{
int a, b;
cin >> a >> b;
g[b].push_back(a); //a是b的子结点
fa[a] = b; //a的父节点是b
}
//确定根结点
int r = 1;
while(fa[r]) r = fa[r];
dfs(r);
cout << max(f[r][0], f[r][1]);
return 0;
}