『算法』『数据结构』浅谈动态规划算法，理解程序员必懂必会的计算机常见算法——动态规划

本文链接：https://blog.csdn.net/LanXiu_/article/details/104186348

文章目录

基本认识

动态规划（ dynamic programming ）算法是解决多阶段决策过程最优化问题的一种常用方法，难度比较大，技巧性也很强。利用动态规划算法，可以优雅而高效地解决很多贪婪算法或分治算法不能解决的问题。

基本思想与原理

动态规划算法的基本思想是：将待求解的问题分解成若干个相互联系的子问题，先求解子问题，然后从这些子问题的解得到原问题的解；对于重复出现的子问题，只在第一次遇到的时候对它进行求解，并把答案保存起来，让以后再次遇到时直接引用答案，不必重新求解。动态规划算法将问题的解决方案视为一系列决策的结果，与贪婪算法不同的是，在贪婪算法中，每采用一次贪婪准则，便做出一个不可撤回的决策；而在动态规划算法中，还要考察每个最优决策序列中是否包含一个最优决策子序列，即问题是否具有最优子结构性质。

适用的问题

那么什么样的问题适合用动态规划的方法来解决呢？
适合用动态规划来解决的问题，都具有下面三个特点：最优化原理、无后效性、有重叠子问题。

（1）最优化原理：
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。简而言之，一个问题满足最优化原理又称其具有最优子结构性质。如果问题的最优解所包含的子问题的解也是最优的，就称该问题具有最优子结构，即满足最优化原理。

（2）无后效性：
即某阶段状态一旦确定，就不受这个状态以后决策的影响。也就是说，某状态以后的过程不会影响以前的状态，只与当前状态有关。一般情况下，树形分支结构由根到叶方向的决策都是满足无后效性的。

（3）有重叠子问题：
即子问题之间是不独立的，一个子问题在下一阶段决策中可能被多次使用到。（该性质并不是动态规划适用的必要条件，但是如果没有这条性质，动态规划算法同其他算法相比就不具备优势）。

求解的步骤与模板

这类问题的求解步骤通常如下：

初始状态→│决策1│→│决策2│→…→│决策n│→结束状态

一、确定动态规划的三要素（状态、状态转移方程、边界条件）

（1）划分状态与确定状态和状态变量（状态）：
思考状态可以先尝试“题目问什么，就把什么设置为状态”。然后考虑“状态如何转移”，如果“状态转移方程”不容易得到，尝试修改定义，目的仍然是为了方便得到“状态转移方程”。
状态划分是指，按照问题的特征，把问题分为若干阶段。注意：划分后的阶段一定是有序的或者可排序的。
确定状态和状态变量是指：将问题发展到各个阶段时所处的各种不同的客观情况表现出来。状态的选择要满足无后续性。

（2）确定决策并写出状态转移方程（重点、核心）：
***状态转移方程是非常重要的，是动态规划的核心，也是难点，起到承上启下的作用。***状态转移就是根据上一阶段的决策和状态来导出本阶段的状态。根据相邻两个阶段状态之间的联系来确定决策方法和状态转移方程。
归纳“状态转移方程”是一个很灵活的事情，得具体问题具体分析，除了掌握经典的动态规划问题以外，还需要多做题。如果是针对面试，请自行把握难度，我个人觉得掌握常见问题的动态规划解法，明白动态规划的本质就是打表格，从一个小规模问题出发，逐步得到大问题的解，并记录过程。动态规划依然是“空间换时间”思想的体现。

（3）边界条件（初始化）：
状态转移方程是一个递推式，因此需要找到递推终止的条件，即边界条件，这个过程又称为初始化。