动态规划（9）：树形动态规划

引言

在动态规划的广阔领域中，树形动态规划是一类特殊而强大的问题类型，它将动态规划的思想应用于树形结构，解决了许多在线性或网格结构上难以处理的问题。树形动态规划的特点在于状态转移发生在树的节点之间，通常从叶子节点向根节点传递信息，或者在某些情况下，从根节点向叶子节点传递信息。

树形DP的基本概念

什么是树形动态规划

树形动态规划（Tree DP）是动态规划在树形结构上的应用，它利用树的特性来设计状态和转移方程。与线性动态规划不同，树形动态规划的状态转移通常发生在树的相邻节点之间，而不是线性序列中的相邻元素之间。

树形动态规划的核心思想是：将复杂的树形问题分解为子树问题，通过解决子树问题来构建整棵树的解。这种自底向上的解决方案通常通过后序遍历（先处理子节点，再处理父节点）来实现。

树形DP的特点

1. 状态定义：通常定义dp[u][state]表示以节点u为根的子树在状态state下的最优解。

2. 状态转移：子节点的状态会影响父节点的状态，转移方程通常涉及子节点的各种状态组合。

3. 计算顺序：大多数情况下采用后序遍历（从叶子到根），确保在处理某个节点时，其所有子节点的状态已经计算完毕。

4. 边界条件：叶子节点通常作为边界条件，其状态可以直接计算。

树形DP的分类

根据问题特点和解决方法，树形动态规划可以分为以下几类：

1. 自底向上型：从叶子节点开始，逐层向上计算，最终得到根节点的解。这是最常见的树形DP类型。

2. 自顶向下型：从根节点开始，逐层向下计算，通常需要结合记忆化搜索来避免重复计算。

3. 换根型：需要考虑每个节点作为根的情况，通常需要两次遍历：第一次自底向上，第二次自顶向下。

4. 树上背包型：将背包问题的思想应用到树上，每个节点可以看作是一个物品或容器。

树形DP的一般解题框架

树形动态规划问题的一般解题步骤如下：

1. 构建树结构：根据输入构建树的邻接表或邻接矩阵表示。

2. 定义状态：明确每个节点可能的状态及其含义。

3. 设计状态转移方程：确定子节点状态如何影响父节点状态。

4. 确定遍历顺序：通常采用后序遍历（DFS）。

5. 处理边界条件：确定叶子节点的初始状态。

6. 实现算法：根据上述设计编写代码。

7. 提取结果：从根节点的状态中提取最终答案。

# 树形DP的一般框架（伪代码）
def tree_dp(u, parent):
    # 处理所有子节点
    for v in children[u]:
        if v != parent:  # 避免回到父节点（对于无向树）
            tree_dp(v, u)
            # 根据子节点v的状态更新节点u的状态
            update_state(u, v)

    # 处理当前节点u的状态
    compute_state(u)

    return dp[u]  # 返回节点u的状态

# 主函数
def solve():
    # 构建树
    build_tree()
    # 从根节点开始DP
    result = tree_dp(root, -1)
    return result

这个框架展示了树形动态规划的基本结构，实际应用中需要根据具体问题调整状态定义和转移方程。

树上的状态定义与转移

树形动态规划的核心在于如何定义状态和设计状态转移方程。这一部分，我们将详细讨论树形DP中常见的状态定义方式和转移策略。

状态定义的艺术

在树形DP中，状态定义通常与节点的选择或属性相关。以下是几种常见的状态定义方式：

1. 选择状态：定义dp[u][0/1]表示节点u选或不选的最优解。

   • 例如，在树的最大独立集问题中，dp[u][0]表示不选节点u的最大独立集大小，dp[u][1]表示选择节点u的最大独立集大小。

2. 多状态：定义dp[u][state]，其中state可以有多个取值，表示节点u处于不同状态的最优解。

   • 例如，在树的最小支配集问题中，可以定义三种状态：节点自己有守卫、节点被子节点守卫、节点被父节点守卫。

3. 计数状态：定义dp[u][k]表示以u为根的子树选择k个节点的最优解。

   • 例如，在树上选择k个节点使得总权值最大的问题中。

4. 属性状态：定义dp[u]表示以u为根的子树的某种属性。

   • 例如，在树的直径问题中，可以定义dp[u]为以u为根的子树的最长路径长度。

状态转移的策略

状态转移是树形DP的核心，它描述了如何从子节点的状态推导出父节点的状态。以下是几种常见的转移策略：

1. 子节点状态组合：父节点的状态由其所有子节点的状态组合决定。

   dp[u][state] = 组合函数(dp[v1][state1], dp[v2][state2], ..., dp[vk][statek])
   

   其中，v1, v2, …, vk是u的所有子节点。

2. 选择与不选择：对于每个节点，考虑选择或不选择它，然后根据选择情况更新状态。

   dp[u][0] = 组合函数(dp[v][0], dp[v][1]) for all v in children[u]
   dp[u][1] = 组合函数(dp[v][0]) for all v in children[u] + node_value[u]
   

3. 状态转换：节点的某种状态可能会导致其子节点或父节点的状态发生变化。

   if state[u] == A then possible_states[v] = {B, C}
   if state[u] == B then possible_states[v] = {A, D}
   

4. 路径更新：在处理路径相关问题时，需要更新从当前节点出发的最长或最短路径。

   path_length[u] = max(path_length[v] + edge_weight(u, v)) for all v in children[u]
   

常见的转移方程模式

以下是一些树形DP中常见的转移方程模式：

1. 最大独立集模式：

   dp[u][0] = sum(max(dp[v][0], dp[v][1])) for all v in children[u]
   dp[u][1] = sum(dp[v][0]) for all v in children[u] + 1
   

2. 最小支配集模式：

   dp[u][0] = sum(dp[v][1]) for all v in children[u]  // u不放置守卫
   dp[u][1] = sum(min(dp[v][0], dp[v][1])) for all v in children[u] + 1  // u放置守卫
   

3. 树的直径模式：

   dp1[u] = max(dp1[v] + weight(u, v)) for all v in children[u]  // 最长路径
   dp2[u] = max(dp1[v1] + dp1[v2] + weight(u, v1) + weight(u, v2))  // 经过u的最长路径
   

   其中v1和v2是u的两个子节点，使得dp1[v1]和dp1[v2]最大。

4. 树上背包模式：

   dp[u][j] = max(dp[u][j], dp[u][j-k] + dp[v][k]) for all v in children[u], 0 <= k <= j
   

   其中j表示容量，k表示分配给子节点v的容量。

处理特殊情况

在实现树形DP时，需要注意以下几个特殊情况：

1. 叶子节点：叶子节点没有子节点，需要单独处理其状态。

2. 根节点：有些问题可能对根节点有特殊要求，需要单独处理。

3. 空树：如果树可能为空，需要考虑这种边界情况。

4. 单节点树：只有一个节点的树也是一种特殊情况，可能需要单独处理。

通过合理定义状态和设计转移方程，我们可以有效地解决各种树形动态规划问题。接下来，我们将通过几个经典问题来具体展示树形DP的应用。

经典问题：树的最大独立集

问题描述

树的最大独立集问题是树形动态规划的经典应用之一。独立集是指图中一组顶点的集合，其中任意两个顶点之间都没有边相连。最大独立集问题就是要找出图中最大的独立集。

在树结构上，这个问题可以描述为：给定一棵树，选择一些节点，使得任意两个被选择的节点不相邻（即没有直接的边相连），求解能够选择的最大节点数量。

这个问题在实际应用中有广泛用途，例如：

• 网络中的资源分配
• 调度问题