## [$AcWing$ $1015$. 摘花生](https://www.acwing.com/problem/content/1017/)

### 一、题目描述　
$Hello$ $Kitty$想摘点花生送给她喜欢的米老鼠

她来到一片有网格状道路的矩形花生地(如下图)，从 **西北角** 进去，**东南角** 出来

地里每个道路的交叉点上都有种着一株花生苗，上面有若干颗花生，经过一株花生苗就能摘走该它上面所有的花生

$Hello$ $Kitty$只能 **向东** 或 **向南** 走，不能 **向西** 或 **向北** 走

问$Hello$ $Kitty$最多能够摘到多少颗花生

<center><img src='https://cdn.acwing.com/media/article/image/2019/09/12/19_a8509f26d5-1.gif'></center>

**输入格式**
第一行是一个整数$T$，代表一共有多少组数据。

接下来是$T$组数据。

每组数据的第一行是两个整数，分别代表花生苗的行数$R$和列数 $C$。

每组数据的接下来$R$行数据，从北向南依次描述每行花生苗的情况。每行数据有$C$个整数，按从西向东的顺序描述了该行每株花生苗上的花生数目$M$。

**输出格式**
对每组输入数据，输出一行，内容为`Hello Kitty`能摘到得最多的花生颗数。

**数据范围**
$1≤T≤100,1≤R,C≤100,0≤M≤1000$

**输入样例**：
```cpp {.line-numbers}
2
2 2
1 1
3 4
2 3
2 3 4
1 6 5
```

**输出样例**：
```cpp {.line-numbers}
8
16
```

### 二、$DP$分析

**状态表示**
$f[i][j]$: 小猫可在出现的每个位置$(x,y)$, **策略**：面向答案编程，
从$(1,1)$走到$(x,y)$有多条路线，我们设$f(x,y)$为所有路线中 **花生数量之和**  **最大值**

**状态转移**
$$\large f[i][j]=max(f[i-1][j],f[i][j-1])+w[i][j]$$

**填充顺序**
观察状态转移方程，发现：
① 由于是一个二维状态表示，所以可以理解为是一个二维表，需要对二维表进行数据填充。 
② 第$i$行依赖第$i-1$行，第$j$列，依赖$j-1$列，所以，考虑从上到下，从左到右，就是先处理$i,j$中小的，再处理大的，可以形成递推依赖。

**初始值**
观察状态转移方程，知道$f[1][1]=w[1][1]$

**答案**
最终我们要计算的是在东南角时可以获取到的最多花生数，即$f[n][m]$。


### 三、二维$DP$写法

```cpp {.line-numbers}
#include <bits/stdc++.h>

using namespace std;
const int N = 110;
int w[N][N];
int f[N][N];
int n, m;
int main() {
    int T;
    cin >> T;
    while (T--) {
        memset(f, 0, sizeof f);
        cin >> n >> m;

        for (int i = 1; i <= n; i++)
            for (int j = 1; j <= m; j++)
                cin >> w[i][j];

        for (int i = 1; i <= n; i++)
            for (int j = 1; j <= m; j++)
                // 递推的出发点，采用特判的办法手动维护，其它的靠关系式递推完成
                // 之所以这样对起点进行初始化，是因为只有这样才能保障逻辑自洽
                if (i == 1 && j == 1)
                    f[i][j] = w[i][j];
                else
                    f[i][j] = max(f[i - 1][j], f[i][j - 1]) + w[i][j];

        printf("%d\n", f[n][m]);
    }
    return 0;
}
```


### 四、一维$DP$写法

从二维降一维时，发现每个数据，只依赖于它上一行的同列数据，和同一行的左侧数据，也就是可以概括为依赖于 **左+上**。而采用一维进行记录状态时，$f[i-1]$表示的是$f[i]$的左侧供给数据，$f[i]$描述的是上一行的同列供给数据，两者$PK$就可以覆盖掉当前值。

```cpp {.line-numbers}
#include <bits/stdc++.h>

using namespace std;
const int N = 110;
int w[N][N];
int f[N];
int n, m;
int main() {
    int T;
    scanf("%d", &T);
    while (T--) {
        memset(f, 0, sizeof f);
        scanf("%d %d", &n, &m);
        for (int i = 1; i <= n; i++)
            for (int j = 1; j <= m; j++)
                scanf("%d", &w[i][j]);

        for (int i = 1; i <= n; i++)
            for (int j = 1; j <= m; j++)
                if (i == 1 && j == 1) // 递推的出发点，采用特判的办法手动维护，其它的靠关系式递推完成
                    f[j] = w[i][j];
                else
                    f[j] = max(f[j], f[j - 1]) + w[i][j];

        printf("%d\n", f[m]);
    }
    return 0;
}
```

### 五、深搜写法
```cpp {.line-numbers}
#include <bits/stdc++.h>

using namespace std;
//通过了 2/10个数据
const int N = 110;
int w[N][N];
int n, m;
int dfs(int x, int y) {
    if (x == n && y == m) return w[n][m];
    if (x > n || y > m) return 0;
    return max(dfs(x + 1, y), dfs(x, y + 1)) + w[x][y];
}
int main() {
    int T;
    cin >> T;
    while (T--) {
        cin >> n >> m;
        for (int i = 1; i <= n; i++)
            for (int j = 1; j <= m; j++)
                cin >> w[i][j];
        printf("%d \n", dfs(1, 1));
    }
    return 0;
}
```
不使用记忆化的深搜是不可以原谅的，速度太慢！究其原因应该是存在大量重复计算，比如$dfs(3,5)$，每次都计算一遍，性能要是好了就怪了，也就是说，我们如果想要使用$dfs$,就一定要思考使用数组完成记忆化，否则就别用。

### 六、深搜+记忆化
```cpp {.line-numbers}
#include <bits/stdc++.h>

using namespace std;
const int N = 110;
int w[N][N];
int n, m;
int f[N][N];
int dfs(int x, int y) {
    if (f[x][y]) return f[x][y];
    if (x == n && y == m) return w[n][m];
    if (x > n || y > m) return 0;
    f[x + 1][y] = dfs(x + 1, y);
    f[x][y + 1] = dfs(x, y + 1);

    return f[x][y] = max(f[x + 1][y], f[x][y + 1]) + w[x][y];
}
int main() {
    int T;
    cin >> T;
    while (T--) {
        memset(f, 0, sizeof f);
        cin >> n >> m;
        for (int i = 1; i <= n; i++)
            for (int j = 1; j <= m; j++)
                cin >> w[i][j];
        printf("%d \n", dfs(1, 1));
    }
    return 0;
}
```

### 七、理解与感悟

#### 1、递推关系式(状态转移方程)
**在一般的局面下** ，比如现在处在$(i,j)$这个位置上时，思考如何给这个位置确定最佳的花生数量,显然是从左侧花生数量和上侧花生数量取一个$max$，再加上当前位置的花生数量即可完成填充：
$$\large f[i][j] = max(f[i - 1][j], f[i][j - 1]) + w[i][j]$$

#### 2、递推起点和终点
有了递推式，才会思考哪里是递推起点和终点。西北角进入矩阵，东南角出去，很明显本题的起点是$(1,1)$，终点是$(n,m)$

* 起点$f[1][1]$：此处是入口，无法从其它位置转移而来，本身花生数就是最大数量，即$f[1][1]=w[1][1]$
  
* 终点$f[n][m]$：此处是出口，是答案，是结果，它的值需要走状态转移方程来确定

#### 3、递推顺序
有了递推关系式和起点的基础，我们的目标就是通过递推计算，获取到$f[n][m]$的值，使用 **瞪眼大法** (观察法),我们知道当前状态计算需要 **上一行的同列数据** 与 **同行的前列数据**，也就是在计算当前状态之前，务必保证它的上一行同列数据和同行前列数据完成填充工作，而双重循环，**从上到下，从左到右**  的枚举顺序，恰好可以满足这个要求！理解这一点非常重要，后面我们继续学习的动态规划问题，大家将会看到多维状态下，多层循环的枚举次序，其实 **本质上都是为了填表**。



#### 4、与搜索的区别
* 动态规划$f[i,j]$含义：从起点走到$(i,j)$，可以取得的最大价值,<font color='red' size=4><b>随地随地都知道当前的值。</b></font>

* 搜索$dfs(i,j)$含义：从$(i,j)$出发，到终点时可以获得的最大价值,<font color='red' size=4><b>现在的值需要以后的值确定才能知道。</b></font>