算法通关村第十九关——动态规划是怎么回事（青铜）_动态规划能找到全局最优解嘛-CSDN博客

本文链接：https://blog.csdn.net/Hai_Helloyou/article/details/132735786

本文介绍了动态规划的概念、解题步骤，通过实例如斐波那契数列和组合总和问题展示了如何定义状态、设置初始状态、确定状态转移方程和计算最优解。同时，文章强调了动态规划与贪心算法的区别，以及掌握动态规划的关键在于理解五个步骤：确定dp数组、递推公式、初始化、遍历顺序和举例推导。

摘要由CSDN通过智能技术生成

算法通关村第十九关——动态规划是怎么回事（青铜）

前言

动态规划是一种解决复杂问题的算法思想，它将一个大问题分解为多个相互关联的子问题，并通过递推关系将子问题的解整合起来，最终得到原问题的解。动态规划的核心思想是将问题划分为重叠子问题，并存储子问题的解，避免重复计算。

动态规划通常用于求解最优化问题，如求解最长公共子序列、最短路径、背包问题等。它的基本步骤包括定义状态、设置初始状态、确定状态转移方程和计算最优解。

动态规划的优点是减少了重复计算，提高了算法效率，但它也需要额外的空间来存储子问题的解，因此在使用动态规划时需要权衡时间和空间的开销。

1 什么是动态规划

动态规划（Dynamic Programming），简称dp，是一种解决多阶段决策问题的优化方法。它通过将问题划分为多个子问题，并保存子问题的解，以避免重复计算，从而得到原问题的最优解。

动态规划的核心思想是利用子问题的最优解来推导出原问题的最优解。具体来说，动态规划通常包含以下步骤：

定义状态：将原问题划分为若干个子问题，并确定每个子问题的状态，即问题的不同维度。
设置初始状态：初始化边界条件和初始状态值。
确定状态转移方程：根据子问题之间的关系，建立状态之间的递推关系，即通过已解决的子问题来求解当前问题。
计算最优解：按照状态转移方程，从初始状态逐步计算出最终的目标状态，即原问题的最优解。

下面以求解斐波那契数列为例进行详细说明。

斐波那契数列的定义为：F(n) = F(n-1) + F(n-2)，其中F(0) = 0，F(1) = 1。

使用动态规划求解斐波那契数列的步骤如下：

定义状态：将斐波那契数列的第n个数记为F(n)，即问题的状态为n。
设置初始状态：定义F(0) = 0和F(1) = 1，作为初始状态。
确定状态转移方程：根据斐波那契数列的递推关系式F(n) = F(n-1) + F(n-2)，可以得到状态转移方程F(n) = F(n-1) + F(n-2)。
计算最优解：按照状态转移方程从初始状态开始逐步计算出F(n)的值，直到计算出F(n)。

代码如下：

public class Fibonacci {
   
    public static int fibonacci(int n) {
   
        if (n <= 1) {
   
            return n;
        }

        // 定义一个数组来保存斐波那契数列的每个元素的值
        int[] dp = new int[n + 1];

        // 设置初始状态
        dp[0] = 0;
        dp[1] = 1;

        // 确定状态转移方程，计算最优解
        for (int i = 2; i <= n; i++) {
   
            dp[i] = dp[i - 1] + dp[i - 2];
        }

        // 返回结果
        return dp[n];
    }

    public static void main(String[] args) {
   
        int n = 10;
        System.out.println("Fibonacci(" + n + ") = " + fibonacci(n));
    }
}

在上面的代码中，我添加了注释来说明使用动态规划解决斐波那契数列的步骤。

首先定义了一个数组dp用于保存斐波那契数列的每个元素的值。
然后，设置初始状态，即dp[0] = 0和dp[1] = 1。
接下来，通过一个循环从第3个元素开始计算每个元素的值，并使用状态转移方程dp[i] = dp[i - 1] + dp[i - 2]来计算最优解。
最后，返回数组中索引为n的元素值，即得到斐波那契数列的第n个数。

执行上述代码，可以得到输出结果为Fibonacci(10) = 55，表示斐波那契数列的第10个数为55.

与动态规划相对应的是贪心算法（Greedy Algorithm）。

贪心算法每次选择当前状态下的最优解，而不考虑全局最优解。贪心算法通常适用于满足贪心选择性质和最优子结构性质的问题，但不一定能得到全局最优解。

举个例子：

假设有一笔钱要找零，在某个国家的货币单位只有1元、5元和10元。目标是找零的总数量最少。

使用贪心算法来解决这个问题时，每次都选择面额最大的币种进行找零。例如，要找零27元，先选择10元，剩下17元，再选择10元，剩下7元，最后选择5元和两个1元，得到找零总数量为4。
然而，贪心算法在某些情况下并不一定能得到最优解。对于要找零15元的情况，贪心算法会选择10元和5个1元，共计6个硬币。而实际上，最优解是使用三个5元的硬币，共计3个硬币。

因此，动态规划可以得到全局最优解，而贪心算法只能得到局部最优解。