1. 多状态动态规划基础概念
动态规划(Dynamic Programming)作为算法设计中的核心思想之一,在处理复杂问题时展现出强大的威力。而多状态动态规划(简称多状态DP)则是动态规划的一种高级形式,它突破了传统DP中每个阶段只对应单一状态的限制,使得我们能够处理更加复杂的决策场景。
1.1 什么是多状态DP
在常规的动态规划问题中,我们通常定义dp[i]表示前i个元素或第i个位置的最优解。但在多状态DP中,dp[i]不再是一个单一的值,而是可能对应多种不同的状态。例如:
- 在股票买卖问题中,每天结束时可能处于"持有股票"或"不持有股票"两种状态
- 在房屋粉刷问题中,每个房子可能被粉刷成红、蓝、绿三种颜色
- 在按摩师预约问题中,每个时间段可以选择"接受预约"或"拒绝预约"
这些状态之间往往存在相互转换的关系,我们需要清晰地定义每种状态的含义,并理清它们之间的转移条件。
1.2 多状态DP的解题步骤
- 状态定义:明确每个阶段可能存在的状态,用dp[i][j]表示第i个阶段处于状态j时的最优解
- 状态转移:分析不同状态之间的转换关系,建立状态转移方程
- 初始化:确定初始阶段各个状态的初始值
- 结果提取:从最终阶段的所有可能状态中选取最优解
关键提示:多状态DP的核心在于状态划分的合理性。状态划分过少可能无法准确描述问题,划分过多则会导致计算复杂度增加。通常,我们需要找到能够完整描述当前决策所需信息的最小状态集合。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 经典多状态DP问题解析
2.1 按摩师问题(LeetCode 17.16)
2.1.1 问题描述
按摩师每天有多个预约请求,每个预约有一定的时长。规则是不能接受相邻的预约,求可以安排的最长总时长。
2.1.2 状态定义与转移
这个问题可以看作是最简单的多状态DP,每个时间点有两种状态:
- 选择当前预约(状态0)
- 不选择当前预约(状态1)
状态转移方程:
code复制dp[i][0] = dp[i-1][1] + nums[i] // 选择当前,前一个必须不选
dp[i][1] = max(dp[i-1][0], dp[i-1][1]) // 不选当前,前一个可选可不选
