动态规划类型题解题思路以及解题框架

动态规划

• 动态规划的一般表现形式就是求最值

思路：首先需要列出正确的状态转移方程；然后需要判断算法问题是否具有*** ”最优子结构“*** (判断最优子结构的方式就是看每个子结构间是否相互独立)；*** 优化方面*** 的办法为动态规划问题一般都会有 *** ”重叠子问题“ *** ，所已使用一个备忘录或者是使用一个DP table去记录数值即可避免重复的计算

步骤：

1. 明确base case
2. 明确选择
3. 明确状态
4. 定义dp数组/函数的含义

框架：

# 自顶向下的动态规划
def dp(状态1， 状态2，...) :
    for 选择1 in 所有可能的选择:
        # 此时的状态已经因为做了选择发生了改变
        result = 求最值(result, dp(状态1， 状态2， ...))
        
  	return result


# 自底向上迭代的动态规划
# 初始化base case
dp[0][0][...] = base cast
# 进行状态转移
for 状态1 in 状态1所有可能的值:
    for 状态2 in 状态2所有可能的值:
        for ... :
            dp[状态1][状态2][...] = 求最值(选择1， 选择2, ...)

如何列出状态转移方程

1. 确定base case，当无法在继续分解时的状态即为base case
2. 确定"状态", 就是原问题和子问题中会变化的变量，比如说凑零钱的问题中的过程，目标金额为11元，选择一枚5元的硬币，目标金额就会变成6元，这个就是目标金额就是状态
3. 确定"选择"， 就是导致状态发生变化的的行为，比如说凑零钱问题中的选择零钱该行为会导致目标金额发生变化，选择硬币这一行为就是选择
4. 明确dp函数/数组的定义，递归函数dp的参数一般就是状态转移方程中会变化的量，也就是上面的状态，函数的返回值一般就是题目要求我们计算的量；例如凑零钱问题中的状态只有一个，就是目标金额，题目要求我们算出凑出目标金额所需的最少硬币数量