动态规划，线性dp（python）

1、动态规划:

动态规划是一种算法的思想用于解决具有重叠子问题、最优子结构特征的问题。

重叠子问题：子问题是原问题的小版本。

最优子结构：大问题的最优解包含小问题的最优解，通过小问题可以推导出大问题。（把一   个大的问题拆分为小问题）。

例题1

        楼梯有n个台阶，每次可以一步上一个台阶或者两个台阶。一个有多少种不同的上楼方式？

原问题：n个台阶的上楼方案数。

        子问题：n - 1个台阶的上楼方案数，n - 2个台阶的上楼方案数、n - 3个台阶的上楼方案数....

        最优子结构：子问题的最优解能否推出原问题的最优解？

        要走到底n级台阶，要么从n - 1走一步过去，要么从n - 2一步走过去，因此得到第n个台阶的方案数等于n – 1个台阶方案数加 n – 1个台阶的方案数。

# dp[n]: 表示n个台阶的方案数
# dp[n] = dp[n - 1] + dp[n - 2]
# 边界条件:
# dp[1] = 1
# dp[2] = 2

n = int(input())
dp = [0] * (n + 1)
dp[1] = 1
dp[2] = 2
for i in range(3, n + 1):
    dp[i] = dp[i - 1] + dp[i - 2]
print(dp[n])

动态规划分析步骤：

1、拆分子问题：将原问题拆分为子问题，找到问题之间的联系。

2、确定状态：此处的“状态”代指不同的子问题，例如前面dp[n]表示上n台阶的方案数，其中n 就是状态；确定状态就是确定问题需要几个维度的已知变量。一般是“前n个xxx为m的最大价  值/最小价值/方案数”等。

3、状态转移方程：转态（子问题）之间是如何转移，即一个状态由哪几个状态转移来，或者该状态可以转移到那些状态上。

4、实现：按照循环记忆化搜索等方式求解最终状态（答案）。

例题2、破损的楼梯

N, M = map(int, input().split())
# vis:标记数组标记破损的楼梯
vis = [0] * (N + 1)
dp = [0] * (N + 1)
a = list(map(int, input().split()))
MOD = 1000000007

# 把破损的楼梯标记出来
for i in a:
    vis[i] = 1

dp[0] = 1
dp[1] = 1 - vis[1]  # 如果第一个台阶是破损的则为0 否则为1

for i in range(2, N + 1):
    # 如果vis[i]被标记过，则说明是破损的台阶直接跳过，永远不能到达破损的台阶所以方案为0
    if vis[i]:
        continue
    dp[i] = (dp[i - 1] + dp[i - 2]) % MOD
print(dp[N])

例题3、安全序列

题目分析：

n, k = map(int, input().split())

dp = [0] * (n + 1)
# 初始化:不放置也是一种方案。
dp[0] = 1
mod = 1000000007
for i in range(1, n + 1):
    if i - k - 1 < 0:
        dp[i] = (dp[i - 1] + 1) % mod
    else:
        dp[i] = (dp[i - 1] + dp[i - k - 1]) % mod

print(dp[n])

题目连接：

破损的楼梯

安全序列