DP概念和编程方法

动态规划（Dynamic Programming，简称DP）是一种在计算机科学和数学中用于解决最优化问题的方法。它特别适用于能够分解成更小子问题的问题，并且这些子问题的解可以被存储起来以避免重复计算，这种性质被称为最优子结构（Optimal Substructure）和重叠子问题（Overlapping Subproblems）。

动态规划的基本概念：

1. 最优子结构：全局最优解可以通过局部最优解来构造。这意味着一个问题的最优解包含了它的子问题的最优解。

2. 重叠子问题：解决问题的过程中会多次遇到相同的子问题。通过存储这些子问题的答案，我们可以避免重复计算，从而提高效率。

3. 递归关系：为了从子问题的解构建出原问题的解，需要定义一个递归关系式。这是动态规划算法的核心部分。

4. 记忆化：为了避免重复计算相同子问题，可以将已经解决过的子问题的答案保存下来，当再次遇到同样的子问题时直接使用已有的答案。

5. 状态转移方程：描述如何从一个状态转移到另一个状态，以及如何更新最优值。

动态规划的编程方法：

• 自底向上（Bottom-up）：也称为迭代法。从最小的子问题开始，逐步构建更大的问题的解，直到求出原问题的解。这种方法通常使用数组或表来存储中间结果。

• 自顶向下（Top-down）：也称为递归法加上记忆化。从原问题出发，递归地解决问题，同时使用记忆化技术来缓存已经解决的子问题的结果。

应用场景：

动态规划可以应用于多种问题，如背包问题、最长公共子序列（LCS）、最短路径问题等。在实际应用中，正确选择状态定义、确定状态转移方程、初始化边界条件是构建动态规划算法的关键步骤。

编程实现：

动态规划的实现通常包括以下几个步骤：

1. 定义状态：确定用来表示子问题的变量。
2. 状态转移方程：定义如何从一个状态转移到另一个状态。
3. 初始化边界条件：确定状态空间中的起始点或基本情况。
4. 计算所有状态：根据状态转移方程计算出所有状态的值。
5. 分析最优值：根据问题需求，分析最终的状态，得到最优解。

动态规划算法的设计与实现通常较为复杂，需要深入理解问题的本质以及如何有效地分割问题。

以斐波那契数列为例

• 自顶向下与记忆化

int dp[N];
int fib1(int n)
{
    if(n==1||n==2)
        return 1;
    if(dp[n]!=0)
        return dp[n];
    dp[n] = fib1(n-1) + fib1(n-2);
    return dp[n];
}

• 自底向上与制表递推

int dp[N];
int fib2(int n)
{
    dp[1] = dp[2] = 1;
    for (int i = 3; i <= n;i++)
        dp[i] = dp[i - 1] + dp[i - 2];
    return dp[n];
}