死磕动态规划1：动态规划入门

一、何为动态规划

动态规划，就是将一个问题分解为若干个子问题，对每个子问题求最优解。前一个子问题的最优解，将会影响后一个子问题的结果，最后一个子问题就是初始问题的最优解。

简单来说，动态规划就是通过不断地通过局部最优，达到整体最优。

二、动态规划的步骤

解决动态规划问题，通常需要用到数组，并通过三个步骤进行解决：

1. 确定状态

确定状态，说得通俗点就是确定数组的含义——数组是干什么的。

首先，确定要定义一个几维的数组。一般地，题目中有几个变量，就定义一个几维的数组。这里留个印象即可，后头还可以详细体会。

接着，确定数组中装的是什么。例如，题目要求求出最大价值，那么数组f[i]的含义就是：前i个的最大价值。

2. 确定状态转移方程

这一步是动态规划的核心，也是动态规划的难点所在。例如，我们要求出f[n]的时候，是可以通过f[0]，f[1]，f[2], , f[n-1]来求解的。状态转移方程，就是利用已知的数据，去推出新的数据。例如，我们可以列出这样一个状态转移方程：

3. 确定边界

继续借用刚才的状态转移方程举例，显然的，要求出f[n]，需要知道f[n-1] 和 f[n-2]。但是当我们令时，我们就需要定义初始值。当确定了初始值，即边界条件后，就可以使用状态转移方程使问题迎刃而解了。

三、使用动态规划的条件

（1）最优化原理（最优子结构性质）

官方	一个最优化策略具有这样的性质，不论过去状态和决策如何，对前面的决策所形成的状态而言，余下的诸决策必须构成最优策略（一个最优化策略的子策略总是最优的）。 一个问题满足最优化原理又称其具有最优子结构性质。
简单来说	若局部最优能够导致全局最优，那么其就满足最优子结构性质。

（2）无后效性

官方	将各阶段按照一定的次序排列好之后，对于某个给定的阶段状态，它以前各阶段的状态无法直接影响它未来的决策，而只能通过当前的这个状态，这就是无后效性。
简单来说	每个状态都是过去历史的一个完整总结，无人能够撼动它的地位。

（3）子问题的重叠性

官方	子问题之间不是独立的，一个子问题可能在下一阶段决策中可能会被多次用到。
简单来说	没什么好说的👻

四、经典题目

通过一些经典的题目，让我们来更好的理解之前的内容。

（1）斐波那契数

原题链接：https://leetcode.cn/problems/fibonacci-number/?envType=study-plan&id=dong-tai-gui-hua-ru-men&plan=dynamic-programming&plan_progress=cz02t0s

斐波那契数 （通常用 F(n) 表示）形成的序列称为 斐波那契数列 。该数列由 0 和 1 开始，后面的每一项数字都是前面两项数字的和。也就是：
F(0) = 0，F(1) = 1 F(n) = F(n - 1) + F(n - 2)，其中 1 < n <= 30.
给定 n ，请计算 F(n) 。

示例1：
输入：n = 2
输出：1

示例2：
输入：n = 3
输出：2

Ⅰ 确定状态

一维数组f[n]，其中f[i]表示第i项的数字是多少。

Ⅱ 确定状态转移方程

Ⅲ 确定边界

f[0] = 0， f[1] = 1.

Ⅳ 完整代码

#include <iostream>

using namespace std;

int n;
int f[31];

int main() {
    cin >> n;
    f[0] = 0;
    f[1] = 1;
    for(int i = 2; i <= n; i ++) {
        f[i] = f[i - 1] + f[i - 2];
    }
    cout << f[n] << endl;
    return 0;
}

（2）第N个泰波那契数

原题链接：https://leetcode.cn/problems/n-th-tribonacci-number/?envType=study-plan&id=dong-tai-gui-hua-ru-men&plan=dynamic-programming&plan_progress=cz02t0s

泰波那契序列 Tn 定义如下：
T0 = 0, T1 = 1, T2 = 1, 且在 n >= 0 的条件下 Tn+3 = Tn + Tn+1 + Tn+2
给你整数 n(0 <= n <= 37)，请返回第 n 个泰波那契数 Tn 的值。

示例 1：
输入：n = 4
输出：4

示例 2：
输入：n = 25
输出：1389537

Ⅰ 确定状态

一维数组f[n]，其中f[i]表示第i项的泰波那契数是多少。

Ⅱ 确定状态转移方程

Ⅲ 确定边界

f[0] = 0， f[1] = 1, f[2] = 1.

#include <iostream>

using namespace std;

int n;
int f[38];

int main() {
    cin >> n;
    f[0] = 0;
    f[1] = 1;
    f[2] = 1;
    for(int i = 3; i <= n; i ++) {
        f[i] = f[i - 1] + f[i - 2] + f[i - 3];
    }
    cout << f[n] << endl;
    return 0;
}

（3）爬楼梯

原题链接：https://leetcode.cn/problems/climbing-stairs/?envType=study-plan&id=dong-tai-gui-hua-ru-men&plan=dynamic-programming&plan_progress=cz02t0s

假设你正在爬楼梯。需要 n 阶你才能到达楼顶。
每次你可以爬 1 或 2 个台阶。你有多少种不同的方法可以爬到楼顶呢？

示例 1：
输入：n = 2
输出：2

示例 2：
输入：n = 3
输出：3

Ⅰ 确定状态

一维数组f[n]，其中f[i]表示爬前i节楼梯共有几种方法。

Ⅱ 确定状态转移方程

在爬第i层楼梯时，可以通过第i-1 或 i-2 层楼梯爬上来。所以，可以列出状态转移方程：

Ⅲ 确定边界

f[0] = 1， f[1] = 1.

Ⅳ 完整代码

#include <iostream>

using namespace std;

int n;
int f[38];

int main() {
    cin >> n;
    f[0] = 1;
    f[1] = 1;
    for(int i = 2; i <= n; i ++) {
        f[i] = f[i - 1] + f[i - 2];
    }
    cout << f[n] << endl;
    return 0;
}

五、动态规划 & 贪心比较

联系	通过局部最优达到全局最优
区别	动态规划中，每一个状态都是由之前的状态所推倒过来的； 贪心算法中，每一个状态是直接在局部中选择最优解.