有向无环图（DAG）最长路径问题：从 NOIP 真题到 5 种通用建模场景

1. 引言：当图论遇上动态规划

1996年的NOIP提高组赛场上，一道名为《挖地雷》的题目让无数选手第一次意识到：原来地窖之间的通道可以抽象为有向边，而寻找最大地雷数的路径本质上是在解决有向无环图（DAG）的最长路径问题。这道题之所以经典，在于它完美展示了如何将现实问题转化为图论模型，并通过动态规划高效求解。

DAG最长路径问题之所以重要，是因为它打破了人们对"路径问题就是求最短路径"的刻板印象。与Dijkstra、Floyd等经典最短路径算法不同，DAG最长路径有其独特的性质和应用场景：

• 无后效性保证：DAG的拓扑序天然满足动态规划的无后效性要求
• 负权兼容性：不受负权边影响（最短路径问题中负权会导致算法失效）
• 建模灵活性：点权/边权可自由组合，适应不同场景需求

理解这个模型的价值不仅在于解决一道竞赛题，更在于掌握一种将复杂依赖关系抽象为DAG的思维方式。接下来，我们将从算法原理到实战应用，全面剖析这一经典问题。

2. 算法核心：状态设计与拓扑排序

2.1 通用状态定义

对于DAG最长路径问题（以点权和为例），我们采用以下状态定义：

# 伪代码：状态定义 dp[u] = 以节点u为终点的所有路径中的最大点权和 a[u] = 节点u的点权 初始状态：dp[u] = a[u]（每个节点至少包含自身）

2.2 状态转移方程

状态转移需要考虑所有能到达u的前驱节点：

dp[u] = max(dp[v] + a[u]) ∀v→u∈E

这个方程揭示了DAG动态规划的核心思想：利用拓扑序的无后效性，确保计算dp[u]时所有dp[v]都已确定。

2.3 实现方式对比

C++实现示例（Kahn算法内嵌DP）：

vector<int> topologicalSortWithDP(const vector<vector<int>>& graph, const vector<int>& weights) { int n = graph.size(); vector<int> inDegree(n), dp(n), pre(n, -1); for (int u = 0; u < n; ++u) for (int v : graph[u]) inDegree[v]++; queue<int> q; for (int u = 0; u < n; ++u) if (inDegree[u] == 0) { q.push(u); dp[u] = weights[u]; } while (!q.empty()) { int u = q.front(); q.pop(); for (int v : graph[u]) { if (dp[v] < dp[u] + weights[v]) { dp[v] = dp[u] + weights[v]; pre[v] = u; } if (--inDegree[v] == 0) q.push(v); } } return dp; // 实际应用中还需记录路径 }

提示：当顶点编号本身就是拓扑序时（如《挖地雷》题目），可直接按编号顺序处理，省略显式拓扑排序步骤。

3. 与最短路径问题的本质差异

虽然DAG最长/最短路径都使用动态规划，但二者存在关键区别：

1. 初始化差异：

   • 最长路径：dp[u]初始化为点权（局部最优）
   • 最短路径：dp[u]初始化为∞（除起点外）

2. 松弛操作方向：

   # 最长路径 if dp[v] < dp[u] + weight: dp[v] = dp[u] + weight # 最短路径（Dijkstra等） if dp[v] > dp[u] + weight: dp[v] = dp[u] + weight

3. 负权处理：

   • 最长路径不受负权影响
   • 最短路径中负权会使Dijkstra算法失效

4. 五大应用场景建模实战

4.1 项目任务调度优化

场景：软件开发项目中，任务间存在前后依赖，每个任务有完成收益，如何安排执行顺序使总收益最大？

建模方法：

• 节点：项目任务
• 边：任务依赖（A→B表示B依赖A）
• 点权：任务完成收益

特殊处理：

• 多任务并行时，添加虚拟开始/结束节点
• 关键路径分析可转化为最长路径问题

4.2 课程学习路径规划

场景：慕课平台推荐系统，课程有先修关系，每门课程有知识价值评分，如何设计学习路径最大化知识获取？

数据示例：

| 课程ID | 课程名称 | 先修课程 | 知识价值 | |--------|----------------|----------|----------| | C1 | Python基础 | - | 80 | | C2 | 数据结构 | C1 | 90 | | C3 | 算法设计 | C2 | 95 | | C4 | 机器学习基础 | C1 | 85 |

4.3 游戏关卡收益最大化

场景：RPG游戏中关卡存在解锁关系，每个关卡有经验值奖励，如何规划闯关顺序使总经验最高？

优化技巧：

# 预处理：合并线性链路上的关卡 def merge_linear_paths(graph, weights): # 实现略：将单前驱单后继的节点合并 return compressed_graph, compressed_weights

4.4 生产线工序安排

场景：汽车装配线上，工序有先后约束，每个工序产生经济效益，如何安排使总效益最大？

工业特性：

• 添加资源约束（如并行工序数）
• 考虑工序时间窗口
• 动态调整权重（市场需求变化）

4.5 知识图谱推理路径

场景：医疗知识图谱中，从症状到诊断的推理路径存在概率权重，寻找最可能的诊断路径。

概率处理：

dp[u] = max(dp[v] × P(v→u)) # 概率连乘取对数转为累加

5. 高级优化与变种问题

5.1 空间优化技巧

当只需要知道最大路径值而非具体路径时：

int maxPathValue(const vector<vector<int>>& graph, const vector<int>& weights) { vector<int> dp = weights; for (int u = 0; u < graph.size(); ++u) for (int v : graph[u]) dp[v] = max(dp[v], dp[u] + weights[v]); return *max_element(dp.begin(), dp.end()); }

5.2 多权重处理

同时考虑时间和收益两个维度：

# 状态设计 dp[u] = (max_profit, min_time_for_max_profit)

5.3 动态图处理

应对图结构变化的情况：

• 增量更新：仅重新计算受影响节点的拓扑序
• 全量重建：图结构大规模变化时适用

6. 从理论到实践的经验之谈

在实际工程中应用DAG最长路径模型时，有几点值得注意：

1. 预处理的重要性：检查图的连通性，处理孤立节点
2. 内存优化：对于大规模图，考虑使用邻接表而非邻接矩阵
3. 并行化可能：拓扑排序的层级之间可以并行计算
4. 调试技巧：可视化小规模子图验证算法正确性

我曾在一个电商促销活动排期系统中应用该模型，最初没有处理好循环依赖（虽然理论上是DAG，但数据异常导致实际出现环），后来增加了环检测机制：

def has_cycle(graph): visited = [0] * len(graph) # 0:未访问, 1:访问中, 2:已访问 def dfs(u): if visited[u] == 1: return True if visited[u] == 2: return False visited[u] = 1 for v in graph[u]: if dfs(v): return True visited[u] = 2 return False return any(dfs(u) for u in range(len(graph)))

这个经验告诉我们，理论模型和工程实现之间往往存在差距，健壮性处理必不可少。