从最短编辑距离问题到初识动态规划

先说些题外话：

​ 作为一个算法小白，我在领到最短编辑距离这个讲题的时候头就秃了一半，在后面看动态规划的时候剩下一半还不够我秃的👨‍🦲。

​ 今天的题目虽然是从最短编辑距离到初识动态规划，但实际上，要解最短编辑距离，还是得从动态规划开始。

​ 动态规划（Dynamic Programming），是一种用于求解最优问题的算法，相对其他算法（如回溯算法：穷举所有可能，时间复杂度为指数级），动态规划可以显著地降低时间复杂度。但是动态规划并不好学，而且因为某种莫名的力量，是众所周知的难学。主要是因为动态规划“求解问题的过程不太符合人类常规的思维方式”。

​ 动态规划将问题分为多个决策阶段，每个阶段做一个决策（选择），记录每个阶段做完决策的状态，通过上一个阶段的状态推导出下一个阶段的状态，动态地推演。(划重点)

0-1背包问题

​ 学习动态规划，主要还是多练，~~所以这是一节习题课…~~下面我们先通过一个非常著名的0-1背包问题，认识一下动态规划。

问：

有一个承重为w的背包，可装载的物品共有n个，在重量分别为weight（一个代表不同物品重量的数组）的物品中，可装载的重量最大值是多少？

如：背包可装9kg，5个物品，提供的物品有[2,2,4,6,3]kg

解：

我们将问题分解为物品总个数个阶段，每个阶段决策当前物品是否装入背包，每个阶段状态即当前总重量是否可达。即，挨个选择要不要这个物品。这个过程可以画一张表格来表示，1表示状态可达，0表示状态不可达。

	0	1	2	3	4	5	6	7	8	9
w=2	1	0	1	0	0	0	0	0	0	0
w=2	1	0	1	0	1	0	0	0	0	0
w=4	1	0	1	0	1	0	1	0	1	0
w=6	1	0	1	0	1	0	1	0	1	0
w=3	1	0	1	1	1	1	1	1	1	1

这个表格我们称为状态转移表，有了状态转移表，就可以用代码来描述这个表格：

定义数组=>初始化边界值=>推演

// weight:物品重量，n:物品个数，w:背包可承载重量
function knapsack(weight = [2,2,4,6,3], n = 5, w = 9) {
   
  // 定义二维数组
  let state = []
  for(let i = 0; i < n; i++) {
   
    state[i]=[]
  }
  
  // 初始化第一行数据
  state[0][0]=true
  if(weight[0] < w){
   
    state[0][weight[0]] = true
  }

  // 动态规划状态转移
  for(let i = 1; i < n; i++) {
   
    // 决策为不放入背包
    for(let j = 0; j <= w; j++) {
   
      if(state[i-1][j]) state[i][j]=state[i-1][j]
    }
    // 决策为放入背包
    for(let j = 0; j <= w - weight[i]; j++) {
   
      if(state[i-1][j]) state[i][j+weight[i]]=true
    }
  }

  for(let i = w; i >= 0; i--) {
   
    if(state[n-1][i]) return i
  }

  return 0
}

结论：

这串代码的时间复杂度为O(n*w)，但是额外申请了一个n*(w+1)的数组。

所以有时候我们说动态规划是拿空间来换时间。

优化：

实际上，这段代码还可以优化成一维数组：

function knapsack2(weight = [2,2,4,6,3], n = 5, w = 9) {
   
  // 定义数组
  let state = []
  // 初始化
  state[0]=true
  if(weight[