本文介绍了动态规划算法在背包问题中的应用，包括01背包、完全背包和多维背包，强调了状态变量、转移方程、边界条件和递推顺序的重要性。通过递归和前缀和的思想，避免了重复计算，提高了解题效率。文中还提及了动态规划的适用条件以及动态规划在实际问题如最大子数组和最长平衡子串等的应用实例。
背包问题：01背包问题，完全背包问题，分组背包问题，二维背包，装箱问题，挤牛奶等；
基本思想
动态规划算法与分治法类似，其基本思想也是将待求解问题分解成若干个子问题，先求解子问题，然后从这些子问题的解得到原问题的解。与分治法不同的是，适合于用动态规划求解的问题，经分解得到子问题往往不是互相独立的。若用分治法来解这类问题，则分解得到的子问题数目太多，有些子问题被重复计算了很多次。如果我们能够保存已解决的子问题的答案，而在需要时再找出已求得的答案，这样就可以避免大量的重复计算，节省时间。我们可以用一个表来记录所有已解的子问题的答案。不管该子问题以后是否被用到，只要它被计算过，就将其结果填入表中。这就是动态规划法的基本思路。具体的动态规划算法多种多样，但它们具有相同的填表格式。
说到这个思想，想到了大一时老师讲斐波那契数列（Fibonacci sequence），很容易得到递归式，递归出口也给了，当时就直接用了递归写了。后来老师说，试试n=1000甚至更大时，你的程序需要多久。我发现真的好慢，后来了解到函数递归栈，了解到计算机并不会把算过的子问题保存起来。最后发现可以将子问题存在数组里面，这样快了很多。当然，这是最简单的了，还有需要填二维数组的。才开始系统的学动态规划，慢慢总结吧。
基本思路
1.确定状态变量（函数）；
2.确定转移方程（递推关系）；
3.确定边界条件；
4.确定递推顺序。
状态转移方程
状态转移方程的一般形式：
一般形式： U：状态； X：策略
顺推：f[Uk]=opt{f[Uk-1]+L[Uk-1,Xk-1]} 其中， L[Uk-1,Xk-1]： 状态Uk-1通过策略Xk-1到达状态Uk 的费用 初始f[U1]；结果：f[Un]。
倒推：
f[Uk]=opt{f[Uk+1]+L[Uk,Xk]}
L[Uk,Xk]： 状态Uk通过策略Xk到达状态Uk+1 的费用
初始f[Un]；结果：f(U1)
适用条件
任何思想方法都有一定的局限性，超出了特定条件，它就失去了作用。同样，动态规划也并不是万能的。适用动态规划的问题必须满足最优化原理和无后效性。
1.最优化原理（最优子结构性质） 最优化原理可这样阐述：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。简而言之，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。
2.无后效性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。换句话说，每个状态都是过去历史的一个完整总结。这就是无后向性，又称为无后效性。
一句话总结
动态规划就是保存子问题结果的递归。一维时，将结果存放至一维数组。二维时，将结果存放在二维数组。
我们需要找到出口，一维时为数组的前几个，二维时一般为首行和首列。然后确定状态转移方程，找到dp[i][j]与其他子问题的关系。动态规划考虑前几个状态，常见有前缀和思想。最后，填一维数组或二维数组即可。
应用
前缀和思想
对于数组A[n]，定义数组Sum[n]，Sum[i]为前i项和，由此得到一些信息，比如，A[i]可表示为S[i]-S[i-1]。
题目：
先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7
深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！
因此收集整理了一份《2024年最新网络安全全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。
既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上网络安全知识点，真正体系化！
由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新
需要这份系统化资料的朋友，可以点击这里获取
出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新**
4万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
