文章详细介绍了动态规划在处理多种组合优化问题中的应用，如斐波那契数列、爬楼梯、背包问题（包括0-1背包、完全背包和多重背包）、最长递增子序列等。通过递推关系式和状态转移方程，阐述了解决这些问题的关键步骤和策略。
如果某一个问题有很多重叠子问题，使用dp是最有效的。
动态规划中每个状态一定由上一个状态推导而来。
动规五部曲：
确定dp数组以及下标的含义；
确定递推公式；
dp数组的初始化；
确定遍历顺序；
举例验证dp数组
基础问题
选择从下标0或下标1开始爬楼梯，也就是说刚开始不产生花费，dp_0=0,dp_1=0。其余部分与爬楼梯类似。
m*n的网格，与爬楼梯类似，可以用一维的滚动数组进行空间复杂度上优化
m*n的网格，有阻碍，在初始化时注意阻碍只要出现，从它开始后面就都得是0了；
还有一个测试用例是只有一格，刚开始就有阻碍。。。
有个结论，尽可能的拆成3，可以让乘积最大（最后剩余4的时候不再拆成3和1）
以n=3为例，当主节点为1时，左孩子无，右孩子有两个节点，于是为dp[0]*dp[2]；
当主节点为2时，左右孩子都只有一个节点，dp[1]*dp[1]；
当主节点为3时，右孩子无，左孩子有两个节点，于是dp[2]*dp[0]。最后将这些相加便是dp[3]。
递推关系式为：
dp[i]+=dp[以j为头节点左子树节点数]*dp[以j为头节点右子树节点数]。
j相当于头节点元素，从1遍历到i
dp[i]+=dp[j-1]*dp[i-j]
背包问题
0-1背包问题
有n个物品和最多能背重量为w的背包，第i件物品的重量是weight[i]，价值是value[i]，每件物品只能使用一次，求解哪些物品放入背包价值最大。
例如：
确定dp数组以及下标的含义
dp[i][j]表示从下标0-i的物品里任意取，放进容量为j的背包，价值总和最大为dp[i][j]
确定递推关系式
可以从两个方向推导出dp[i][j]
不放物品i 背包容量为j，里面不放物品i的最大价值，此时dp[i][j]就是dp[i - 1][j]
放物品i d p[i - 1][j - weight[i]] 为背包容量为j - weight[i]的时候不放物品i的最大价值，
那么dp[i - 1][j - weight[i]] + value[i] （物品i的价值），就是背包放物品i得到的最大价值
dp数组的初始化
背包容量为0时，一定为0；由递推关系可知i状态的价值由i-1状态推导而来，所以物品0的状态都需要初始化，即dp[0][j]
确定遍历顺序 先物品再背包
举例验证dp数组
滚动数组
确定dp数组的含义及其下标 dp[j]表示容量为j的背包，所背物品价值最大dp[j]
一维dp数组的递推公式 dp[j]=max(dp[j],dp[j-weight[i]]+value[i])
一维数组的初始化
一维dp数组的遍历顺序 先物品后背包 背包倒序
举例验证dp数组
将数组分割成相等的两个子集，也就是说在数组中任意取如果能取到和为sum/2，则表示可以分。
于是题目转化为：能否在子集中找到和为sum/2的组合。
递推关系式：dp[j]=max(dp[j],dp[j-nums[i]]+nums[i])；
dp[j]表示背包总容量为j时，此时的和为dp[j]，如果dp[sum/2]==sum/2的话，就表示可以找到。
将石头尽可能的分成两堆相等的数组,这样相减后才最小。
最后dp[target]里是容量为target的背包所能背的最大重量,那么分成两堆石头，一堆石头的总重量是dp[target]，另一堆就是sum - dp[target]。在计算target的时候，target = sum / 2 因为是向下取整，所以sum - dp[target] 一定是大于等于dp[target]的。那么相撞之后剩下的最小石头重量就是 (sum - dp[target]) - dp[target]。
left+right=sum
left-right=target，那么left=(sum+target)/2。问题转为装满背包容量为left的背包有多少种装法。
递推关系式：
在已有nums[i]的情况下，有dp[j-nums[i]]种方法凑成dp[j]
递推关系式：dp[j]+=dp[j-nums[i]]。
strs相当于物品，m个0与n个1表示两个维度的背包容量。
dp[i][j]：最多有i个0和j个1的strs的最大子集的大小为dp[i][j]；
递推关系式：dp[i][j]=max(dp[i][j],dp[i-zeroNum][j-oneNum]+1)。
完全背包问题
有N个物品和最多能被重量为w的背包，每个物品都有无限个（可以放入背包多次），求解将哪些物品装入背包里物品价值总和最大。
01背包和完全背包的唯一不同就体现在：遍历顺序上 先物品后背包 背包正序
完全背包的装满背包最多有多少种方法问题。
求的是组合个数，于是在遍历顺序上先物品后背包。
求排列的话，在遍历顺序上先背包后物品。
改为：一步一个台阶，两个台阶，三个台阶，.......，直到 m个台阶。问有多少种不同的方法可以爬到楼顶呢？
排列问题，在做先背包后物品时发现：
for(int j=1;j<=n;j++){
for(int i=0;i<=m;i++){
if(j-i>=0) dp[j]+=dp[j-i];
}
}装满背包的最小数量问题
dp[j]表示背包容量为j时最小的硬币数。
注意这里的初始化：因为最大值INT_MAX，dp[0]=0，并且只有dp[j-coins[i]]!=INT_MAX时才能加上去。
递推关系式：dp[j]=min(dp[j],dp[j-coins[i]]+1)
完全背包的组合问题，与零钱兑换类似。
如果用回溯的话，aaaaaaa，aaaa这样的恶心测试用例过不了，如果加上记忆化递归可以AC，
使用memory数组保存每次计算的以startIndex起始的计算结果，如果memory[startIndex]里已经被赋值了，直接用memory[startIndex]的结果。
下面是动规部分：
单词是物品，字符串s是背包，单词能否组成s，就是问物品能不能把背包装满。（这种问题的转换很重要啊，感觉最缺少的就是这种意识）
dp[j]表示字符串长度为j时，字符串s能否被单词组成。
递推关系式：物品表示：从i=0开始，i<j过程种，如果dp[i]为true并且j-i的字符串在单词列表里，那么就代表dp[j]也为true。
多重背包问题
有N种物品，和容量为V的背包，第i种物品最多有Mi件可用，每件耗费空间是Ci，价值是Wi，求解如何装总价值最大？
其实和0-1背包问题很像，将每件物品的Mi件都摊开，就变成了0-1背包问题。
背包问题的递推关系式小结：
1、能否装满背包或最多能装多少(能否达到目标和)：dp[j] = max(dp[j], dp[j - nums[i]] + nums[i])
2、装满背包有多少种方法：dp[j] += dp[j - nums[i]]
3、装满背包的最大价值：dp[j] = max(dp[j], dp[j - weight[i]] + value[i])
4、装满背包的最小数量:dp[j] = min(dp[j - coins[i]] + 1, dp[j])
遍历顺序问题上：
组合 | 排列 | |
0-1背包 | 先物品后背包，背包倒序 | 先背包后物品，物品倒序 |
完全背包 | 先物品后背包，背包正序 | 先背包后物品，物品正序 |
打家劫舍问题
打家劫舍（不能连着偷）
dp[j]表示偷到下标j处的最高金额。dp[j]有两种来源方式，即偷j与不偷j，那么：
dp[j]=max(dp[j-1],dp[j-2]+nums[i])
dp数组的初始化：dp[0]=nums[0],dp[1]=max(nums[0],nums[1])。
打家劫舍II（首尾相连，不能连着偷）
也就是说要么首可以被考虑偷，要么尾可以被考虑偷。
分成两个数组一个是下标0->nums.size()-2；一个是下标1->nums.size()-1。
对这两个数组分别作打家劫舍的操作，比较取较大值。
打家劫舍III（二叉树、不能连着偷）
树形dp正式开始！！
用一个长度为2的数组作为递归函数的返回值，其中下标为0记录不偷该节点所得最大金钱，下标为1记录偷该节点所得最大金钱。
买卖股票问题
买卖股票的最佳时机（只能买卖一次）
构造二维dp数组，dp[j][0]表示到下标j时未持有股票所得最大现金；dp[j][1]表示到下标j时持有股票所得最大现金。
由于只能买卖一次，所以：
//到下标i持有，有两种情况：1.下标i-1就持有；2.i-1未持有到i时买了
dp[i][1]=max(dp[i-1][1],-prices[i]);
这里的i-1未持有到i时才买，就相当于只付了当前股票的钱，之前一直没有购入股票买卖股票的最佳时机II（可多次买卖，但只能持有一个股票）
这里的i-1未持有到i时才买,就需要考虑之前的情况了，所以：
dp[i][1]=max(dp[i-1][1],dp[i-1][0]-prices[i]);买卖股票的最佳时机III（最多完成两笔交易）
对交易次数进行限制，那么每天的状态分成了5种：没有操作（可去掉）、第一次持有股票、第一次未持有股票、第二次持有股票、第二次未持有股票。
那么最后的第二次未持有股票的状态肯定是5种状态中的最大值。
如果第一次卖出已经是最大值了，那么我们可以在当天立刻买入再立刻卖出。所以dp[4][4]已经包含了dp[4][2]的情况。也就是说第二次卖出手里所剩的钱一定是最多的。
买卖股票的最佳时机IV（最多完成k笔交易）
每天设置2k+1种状态，每种状态都由前一天的当前状态或前一状态递推而来。
含有冷冻期，一天就三个状态，未持有、持有、冷冻期。
未持有的由来：延续上一天的未持有/上一天持有今天卖了
持有的由来：延续上一天的持有/上一天是冷冻期今天又买了
冷冻期的由来：只能是两天前持有，一天前卖了（还是得和冷冻期的前一天状态比较）
另外，在初始化时，由于冷冻期的状态与两天前有关，所以初始化得初始化两天。
在卖出的时候减去手续费即可
子序列问题
dp[i]表示到下标i为止，以nums[i]结尾的最长子序列长度。
for(int i=1;i<nums.size();i++){
for(int j=0;j<i;j++){
if(nums[i]>nums[j]) dp[i]=max(dp[i],dp[j]+1);
}
}dp[i]表示到下标i为止，以nums[i]结尾的最长连续子序列的长度。
因为连续，只需要判断当前数与前一个数即可。
dp[i][j]表示到nums1下标i-1 nums2下标j-1为止 两个数组的公共最长子数组长度
不相交的线（最长公共子序列的换皮题）
最大子序和
判断子序列
两个字符串的删除操作
dp[i][j]表示以下标i-1结尾的word1 和以下标j-1结尾的word2的最近编辑距离
注意这里的插入、删除、替换操作。插入可以看成是word2的删除
确定递推关系式：一共有4种情况
if(word1[i-1]==word2[j-1]) 不操作
if(word1[i-1]!=word2[j-1]) 插入、删除、替换
654
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
