动态规划（11）：数位动态规划

引言

数位动态规划（Digit DP）专门用于解决与数字的位数相关的计数问题。
当我们需要统计满足特定条件的数字个数，尤其是在一个较大范围内（如1到10^9）时，数位DP往往能提供优雅而高效的解决方案。

数位DP的基本思想

什么是数位动态规划

数位动态规划（Digit DP）是动态规划的一个分支，专门用于解决与数字的位数相关的计数问题。所谓"数位"，是指数字的个位、十位、百位等每一位。数位DP通常用于解决以下类型的问题：

1. 区间计数问题：给定区间[L, R]，计算区间内满足特定条件的数字个数。
2. 特定数字问题：计算满足特定数字条件（如包含特定数字、数位和等）的数量。
3. 数字特征统计：统计数字的特定特征（如数位和、数位积等）。

数位DP的核心思想是将数字按位分解，然后从高位到低位依次考虑每一位的可能取值，并通过动态规划的方式累计结果。

为什么需要数位DP

当我们需要在一个较大范围内统计满足特定条件的数字时，暴力枚举显然是不可行的。例如，如果要统计1到10^9之间满足某条件的数字个数，直接枚举将会超时。

数位DP通过巧妙地利用数字的位结构，将问题分解为更小的子问题，从而大大减少计算量。它的优势在于：

1. 高效处理大范围：能够高效处理范围很大的数字区间。
2. 灵活适应条件：可以灵活适应各种与数位相关的条件。
3. 状态转移清晰：通过明确的状态定义和转移方程，使问题求解变得清晰。

数位DP的基本框架

数位DP的基本框架通常包括以下几个步骤：

1. 将数字转换为数位表示：将给定的数字转换为其各个数位的表示形式，通常是从高位到低位的数组。
2. 定义状态：根据问题特点定义状态，通常包括当前处理到的位置、前面已经确定的数字状态等。
3. 设计状态转移方程：根据问题条件，设计从前一状态到当前状态的转移方程。
4. 处理数位限制：考虑数位上界的限制，确保生成的数字不超过给定范围。
5. 计算最终结果：根据状态转移方程计算最终结果。

在实现上，数位DP通常采用记忆化搜索的方式，这样可以避免重复计算，提高效率。

数位统计问题的解决方法

状态定义与转移

在数位DP中，状态定义是解决问题的关键。常见的状态包括：

1. pos：当前处理的位置（从高位到低位）。
2. limit：当前位是否受到上界限制。
3. lead：当前是否有前导零。
4. state：根据具体问题定义的状态，如已经使用的数字集合、当前的数位和等。

状态转移方程根据具体问题而定，但通常遵循以下模式：

dp[pos][state][limit][lead] = sum(dp[pos+1][new_state][new_limit][new_lead])

其中，new_state、new_limit和new_lead是根据当前位选择的数字计算得到的新状态。

记忆化搜索实现

数位DP通常使用记忆化搜索实现，基本框架如下：

def digit_dp(n):
    # 将数字转换为数位表示
    digits = []
    while n > 0:
        digits.append(n % 10)
        n //= 10
    digits.reverse()  # 从高位到低位
    
    @lru_cache(maxsize=None)
    def dfs(pos, state, limit, lead):
        # 递归终止条件
        if pos == len(digits):
            return 1 if valid(state) else 0
        
        res = 0
        # 计算当前位可以填的上限
        up = digits[pos] if limit else 9
        
        # 枚举当前位可以填的数字
        for d in range(up + 1):
            # 计算新的状态
            new_state = update_state(state, d, lead)
            # 计算是否仍有上限限制
            new_limit = limit and (d == digits[pos])
            # 计算是否仍有前导零
            new_lead = lead and (d == 0)
            
            # 递归计算结果
            res += dfs(pos + 1, new_state, new_limit, new_lead)
        
        return res
    
    return dfs(0, initial_state, True, True)

这个框架可以根据具体问题进行调整，例如添加或删除状态，修改状态转移逻辑等。

处理区间问题

对于区间[L, R]的问题，我们可以使用前缀和的思想，即计算[1, R]的结果减去[1, L-1]的结果：

def count_in_range(L, R):
    return count(R) - count