动态规划进阶：多状态模型与序列决策

题目：213.打家劫舍 II

• 核心痛点：第一间房与最后一间房首尾相连，产生约束冲突。
• 化圆为线策略：通过'分类讨论'消除环形约束：
  • 情况 A：不考虑第一间房，在区间 [1, n-1] 执行上述逻辑。
  • 情况 B：不考虑最后一间房，在区间 [0, n-2] 执行上述逻辑。

结论：最终结果为 max(情况 B, 情况 A)。

代码实现：

class Solution {
public:
    int rob(vector<int>& nums) {
        //处理首位房子后确定进行打家劫舍的区间
        //转化为打家劫舍 1（找到可以进行打家劫舍 1 的区间）
        int n = nums.size();
        if (n == 0) return 0;
        if (n == 1) return nums[0];
        return max(nums[0] + rob1(nums, 2, n - 2), rob1(nums, 1, n - 1));
    }

    int rob1(vector<int>& nums, int left, int right) {
        if (left > right) return 0;
        int n = nums.size();
        vector<int> f(n);
        auto g = f;
        f[left] = nums[left];
        for (int i = left + 1; i <= right; ++i) {
            f[i] = g[i - 1] + nums[i];
            g[i] = max(f[i - 1], g[i - 1]);
        }
        return max(f[right], g[right]);
    }
};

题目：740.删除并获得点数

• 转化思维：这道题看似新颖，实则是'打家劫舍'的变体。
• 预处理：先统计每个数字出现的总分（点数 = 数字 × 出现次数）。
• 建立映射：数字 i 的选取会导致 i-1 和 i+1 无法选取，这完全等同于'相邻房屋不能同时偷'的逻辑。
• 解法：对统计后的点数数组执行 f[i] 与 g[i] 的状态转移。

状态表示及状态转移方程

代码实现：

class Solution {
public:
    int deleteAndEarn(vector<int>& nums) {
        sort(nums.begin(), nums.end());
        int n = nums[nums.size() - 1] + 1; //加上 0 这个位置
        //将原数组的值累加到 v 的对应位置，之后就可以转变为打家劫舍
        vector<int> v(n);
        for (int i = 0, j = nums[0]; i < nums.size();) {
            if (nums[i] == j) v[j] += nums[i++];
            else ++j;
        }
        //打家劫舍
        vector<int> f(n);
        auto g = f;
        f[1] = v[1], g[1] = 0;
        for (int i = 2; i < n; ++i) {
            f[i] = g[i - 1] + v[i];
            g[i] = max(f[i - 1], g[i - 1]);
        }
        return max(f[n - 1], g[n - 1]);
    }
};

二、 '买卖股票'模型：多状态机的演进

股票系列题目引入了冷冻期和交易次数限制，状态机随之变得更加复杂。

题目：309.买卖股票的最佳时期含冷冻期

引入卖出后强制锁定 1 天的规则后，状态表示和状态转移方程如下：

• 状态表示：第 i 天结束后，资产处于以下三者之一：
  • dp[i][0]（买入状态）：手中有一支股票。
  • dp[i][1]（可交易状态）：手里没股票，且今天没卖出，随时可以买。
  • dp[i][2]（冷冻期状态）：今天刚卖出股票，明天不能买。
• 状态转移核心：
  • dp[i][0] = max(dp[i-1][0], dp[i-1][1] - prices[i])
  • dp[i][1] = max(dp[i-1][1], dp[i-1][2])
  • dp[i][2] = dp[i-1][0] + prices[i]

根据状态机得出状态转移方程

初始化：根据转移方程，只需要初始化 0 下标位置的值即可；

代码实现：

class Solution {
public:
    int maxProfit(vector<int>& prices) {
        int n = prices.size();
        vector<vector<int>> dp(n, vector<int>(3, 0));
        //0 买入 1 可交易 2 冷冻期
        dp[0][0] = -prices[0]; //初始化第一个位置即可（1，2 都为 0）
        //根据状态机转换得出状态转移方程
        for (int i = 1; i < n; ++i) {
            dp[i][0] = max(dp[i - 1][0], dp[i - 1][1] - prices[i]);
            dp[i][1] = max(dp[i - 1][1], dp[i - 1][2]);
            dp[i][2] = dp[i - 1][0] + prices[i];
        }
        return max(dp[n - 1][1], dp[n - 1][2]); //最大值不会在最后一天再买入
    }
};

题目：123.买卖股票的最佳时机 III

引入了'交易次数'这一关键属性标签。

• 状态表示：
  • f[i][j]：第 i 天结束之后，完成了j次交易，此时处于'买入'状态下的最大利润。
  • g[i][j]：第i天结束之后，完成了j次交易，此时处于'卖出'状态下的最大利润。

• 状态转移的奥秘：
  • 卖出触发计数：g[i][j] = max(g[i-1][j], f[i-1][j-1] + prices[i])。
  • 逻辑解析：当你卖出第 j 支股票时，你必须从'已完成 j-1 次交易且持股'的状态转移过来。卖出一瞬间，完成次数从 j-1 跃升为 j。
  • 初始化：为了避开非法路径（如未买入先卖出），除 g[0][0] = 0 和 f[0][0] = -prices[0] 外，其余均设为极小值（INF = 0x3f3f3f——整形最大值的一半）这样可以避免数据溢出。

• 如何理解 j-1

如果感到困惑是因为你在找'j = j + 1'这样的加法语句，实际在DP表中，g[i][j] 依赖 f[i-1][j-1] 就等同于执行了 j = j + 1。

• 输入： 已经完成 j-1 次的状态。
• 动作： 卖出（触发一次交易完成）。
• 输出： 填入完成 j 次的状态格子里。

代码实现：

class Solution {
    const int INF = 0x3f3f3f; //整形最大值的一半
public:
    int maxProfit(vector<int>& prices) {
        int n = prices.size();
        vector<vector<int>> f(n, vector<int>(3, -INF)); //避免数据溢出
        auto g = f;
        f[0][0] = -prices[0], g[0][0] = 0; //初始化
        for (int i = 1; i < n; ++i) {
            for (int j = 0; j < 3; ++j) {
                f[i][j] = max(f[i - 1][j], g[i - 1][j] - prices[i]); //可以通过状态方程来处理边界问题
                g[i][j] = g[i - 1][j]; //处理第一列
                if (j >= 1) {
                    g[i][j] = max(g[i - 1][j], f[i - 1][j - 1] + prices[i]);
                }
            }
        }
        //答案在交易次数为 2 的那一行
        int ret = 0;
        for (int i = 0; i < 3; ++i) {
            ret = max(ret, g[n - 1][i]);
        }
        return ret;
    }
};