动态规划

---

大纲：

动态五部曲如下：

1. 确定 dp 数组（ dp table ）以及下标的含义

2. 确定递推公式

3. dp 数组如何初始化

4. 确定遍历顺序

5. 举例推导 dp 数组

一、动态规划理论基础 

什么是动态规划？

动态规划，英⽂： Dynamic Programming ，简称 DP ，如果某⼀问题有很多重叠⼦问题，使⽤动态规划是最有效的。

所以动态规划中每⼀个状态⼀定是由上⼀个状态推导出来的， 这⼀点就区分于贪⼼，贪⼼没有状态推导，⽽是从局部直接选最优的

动态规划应该如何debug？

找问题的最好⽅式就是把 dp数组打印出来，看看究竟是不是按照⾃⼰思路推导的！

做动规的题⽬，写代码之前⼀定要把状态转移在 dp 数组的上具体情况模拟⼀遍，⼼中有数，确定最后推出的是想要的结果。 然后再写代码，如果代码没通过就打印 dp 数组，看看是不是和⾃⼰预先推导的哪⾥不⼀样。

如果打印出来和⾃⼰预先模拟推导是⼀样的，那么就是⾃⼰的递归公式、初始化或者遍历顺序有问题 了。 如果和⾃⼰预先模拟推导的不⼀样，那么就是代码实现细节有问题。

我这⾥代码都已经和题解⼀模⼀样了，为什么通过不了呢？ 发出这样的问题之前，其实可以⾃⼰先思考这三个问题：

1. 这道题⽬我举例推导状态转移公式了么？
2. 我打印dp数组的⽇志了么？
3. 打印出来了dp数组和我想的⼀样么？

二、基础题目

509. 斐波那契数

题⽬地址： https://leetcode-cn.com/problems/fibonacci-number/

70. 爬楼梯

题⽬地址: https://leetcode-cn.com/problems/climbing-stairs/

746. 使⽤最⼩花费爬楼梯

题⽬链接： https://leetcode-cn.com/problems/min-cost-climbing-stairs/

62. 不同路径

题⽬链接： https://leetcode-cn.com/problems/unique-paths/

63. 不同路径 II

题⽬链接： https://leetcode-cn.com/problems/unique-paths-ii/

343. 整数拆分

题⽬链接： https://leetcode-cn.com/problems/integer-break/

96. 不同的⼆叉搜索树

题⽬链接： https://leetcode-cn.com/problems/unique-binary-search-trees/

三、背包问题

对于⾯试的话，其实掌握01背包，和完全背包，就够⽤了，最多可以再来⼀个多重背包

即⼀个商品如果可以重复多次放⼊是完全背包，⽽只能放⼊⼀次是01背包，写法还是不⼀样的

01 背包

有 N 件物品和⼀个最多能被重量为 W 的背包。第 i 件物品的重量是 weight[i] ，得到的价值是 value[i] 。 每

件物品只能⽤⼀次 ，求解将哪些物品装⼊背包⾥物品价值总和最⼤

这是标准的背包问题，以⾄于很多同学看了这个⾃然就会想到背包，甚⾄都不知道暴⼒的解法应该怎么解了。这样其实是没有从底向上去思考，⽽是习惯性想到了背包，那么暴⼒的解法应该是怎么样的呢？

每⼀件物品其实只有两个状态，取或者不取，所以可以使⽤回溯法搜索出所有的情况，那么时间复杂度就是O(2^n) ，这⾥的 n 表示物品数量。

所以暴⼒的解法是指数级别的时间复杂度。进⽽才需要动态规划的解法来进⾏优化！

在下⾯的讲解中，我举⼀个例⼦：

背包最⼤重量为 4 。

物品为：

问背包能背的物品最⼤价值是多少？以下讲解和图示中出现的数字都是以这个例⼦为例。

⼆维 dp 数组 01 背包

依然动规五部曲分析⼀波。

1. 确定dp数组以及下标的含义

对于背包问题，有⼀种写法， 是使⽤⼆维数组，即 dp[i][j] 表示从下标为 [0-i] 的物品⾥任意取，放进容量为j 的背包，价值总和最⼤是多少 。 只看这个⼆维数组的定义，⼤家⼀定会有点懵，看下⾯这个图：

2. 确定递推公式

再回顾⼀下 dp[i][j] 的含义：从下标为 [0-i] 的物品⾥任意取，放进容量为 j 的背包，价值总和最⼤是多少。

那么可以有两个⽅向推出来 dp[i][j] ，

• 由dp[i - 1][j]推出，即背包容量为j，⾥⾯不放物品i的最⼤价值，此时dp[i][j]就是dp[i - 1][j]

• 由dp[i - 1][j - weight[i]]推出，dp[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

所以递归公式： dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]);

3. dp数组如何初始化

关于初始化，⼀定要和 dp 数组的定义吻合，否则到递推公式的时候就会越来越乱 。

⾸先从 dp[i][j] 的定义出发，如果背包容量 j 为 0 的话，即 dp[i][0] ，⽆论是选取哪些物品，背包价值总和⼀定为0 。如图：

在看其他情况。

状态转移⽅程 dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]); 可以看出 i 是由 i-1 推导出来， 那么i 为 0 的时候就⼀定要初始化。

dp[0][j] ，即： i 为 0 ，存放编号 0 的物品的时候，各个容量的背包所能存放的最⼤价值。

// 倒叙遍历
for (int j = bagWeight; j >= weight[0]; j--) {
 dp[0][j] = dp[0][j - weight[0]] + value[0]; // 初始化i为0时候的情况
}

⼤家应该发现，这个初始化为什么是倒叙的遍历的？正序遍历就不⾏么？ 正序遍历还真就不⾏，dp[0][j] 表示容量为 j 的背包存放物品 0 时候的最⼤价值，物品 0 的价值就是 15 ，因为题⽬中说了每个物品只有⼀个！ 所以 dp[0][j] 如果不是初始值的话，就应该都是物品 0 的价值，也就是15。 但如果⼀旦正序遍历了，那么物品0 就会被重复加⼊多次！ 例如代码如下：

// 正序遍历
for (int j = weight[0]; j <= bagWeight; j++) {
 dp[0][j] = dp[0][j - weight[0]] + value[0];
}

例如 dp[0][1] 是 15 ，到了 dp[0][2] = dp[0][2 - 1] + 15; 也就是 dp[0][2] = 30 了，那么就是物品 0 被重复放⼊了。

所以⼀定要倒叙遍历，保证物品0只被放⼊⼀次！这⼀点对01背包很重要，后⾯在讲解滚动数组的时候，还会⽤到倒叙遍历来保证物品使⽤⼀次！

此时 dp 数组初始化情况如图所示

dp[0][j] 和 dp[i][0] 都已经初始化了，那么其他下标应该初始化多少呢？ dp[i][j]在推导的时候⼀定是取价值最⼤的数，如果题⽬给的价值都是正整数那么⾮ 0 下标都初始化为 0 就可以了，因为0 就是最⼩的了，不会影响取最⼤价值的结果。

如果题⽬给的价值有负数，那么⾮ 0 下标就要初始化为负⽆穷了。例如：⼀个物品的价值是 -2 ，但对应的位置依然初始化为0 ，那么取最⼤值的时候，就会取 0 ⽽不是 -2 了，所以要初始化为负⽆穷。

这样才能让dp数组在递归公式的过程中取最⼤的价值，⽽不是被初始值覆盖了。

最后初始化代码如下：

// 初始化 dp
vector<vector<int>> dp(weight.size() + 1, vector<int>(bagWeight + 1, 0));
for (int j = bagWeight; j >= weight[0]; j--) {
 dp[0][j] = dp[0][j - weight[0]] + value[0];
}

4. 确定遍历顺序

在如下图中，可以看出，有两个遍历的维度：物品与背包重量

那么问题来了， 先遍历 物品还是先遍历背包重量呢？

其实都可以！！ 但是先遍历物品更好理解。 

完整 C++ 测试代码

void test_2_wei_bag_problem1() {
 vector<int> weight = {1, 3, 4};
 vector<int> value = {15, 20, 30};
 int bagWeight = 4;
 // ⼆维数组
 vector<vector<int>> dp(weight.size() + 1, vector<int>(bagWeight + 1, 0));
 // 初始化
 for (int j = bagWeight; j >= weight[0]; j--) {
 dp[0][j] = dp[0][j - weight[0]] + value[0];
 }
 // weight数组的⼤⼩ 就是物品个数
 for(int i = 1; i < weight.size(); i++) { // 遍历物品
 for(int j = 0; j <= bagWeight; j++) { // 遍历背包容量
 if (j < weight[i]) dp[i][j] = dp[i - 1][j];
 else dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] +
value[i]);
 }
 }
 cout << dp[weight.size() - 1][bagWeight] << endl; }
int main() {
 test_2_wei_bag_problem1();
}

01背包理论基础（滚动数组）我觉得更好理解一些

在动态规划中，如果使⽤⼀维dp数组，物品遍历的for循环放在外层，遍历背包的for循环放在内层，且内层for循环倒叙遍历！

⼀维dp数组（滚动数组）

动规五部曲分析如下：

1. 确定dp数组的定义

在⼀维 dp 数组中， dp[j] 表示：容量为 j 的背包，所背的物品价值可以最⼤为 dp[j] 。

2. ⼀维dp数组的递推公式

dp[j] 为 容量为 j 的背包所背的最⼤价值，那么如何推导 dp[j] 呢？

dp[j] 可以通过 dp[j - weight[j]] 推导出来， dp[j - weight[i]] 表示容量为 j - weight[i] 的背包所背的最⼤价值。dp[j - weight[i]] + value[i] 表示 容量为 j - 物品 i 重量 的背包 加上 物品 i 的价值。（也就是容量为 j 的背包，放⼊物品i 了之后的价值即： dp[j] ）

此时 dp[j] 有两个选择，⼀个是取⾃⼰ dp[j] ，⼀个是取 dp[j - weight[i]] + value[i] ，指定是取最⼤的，毕竟是求最⼤价值，

所以递归公式为：

dp[j] = max(dp[j], dp[j - weight[i]] + value[i]);

可以看出相对于⼆维 dp 数组的写法，就是把 dp[i][j] 中 i 的维度去掉了。

3. ⼀维dp数组如何初始化

关于初始化，⼀定要和 dp 数组的定义吻合，否则到递推公式的时候就会越来越乱 。

dp[j] 表示：容量为 j 的背包，所背的物品价值可以最⼤为 dp[j] ，那么 dp[0] 就应该是 0 ，因为背包容量为 0所背的物品的最⼤价值就是0 。

那么 dp 数组除了下标 0 的位置，初始为 0 ，其他下标应该初始化多少呢？

看⼀下递归公式： dp[j] = max(dp[j], dp[j - weight[i]] + value[i]);

dp 数组在推导的时候⼀定是取价值最⼤的数，如果题⽬给的价值都是正整数那么⾮ 0 下标都初始化为 0 就可以了，如果题⽬给的价值有负数，那么⾮0 下标就要初始化为负⽆穷

这样才能让 dp 数组在递归公式的过程中取的最⼤的价值，⽽不是被初始值覆盖了 。

那么我假设物品价值都是⼤于 0 的，所以 dp 数组初始化的时候，都初始为 0 就可以了。

4. ⼀维dp数组遍历顺序

代码如下：

for(int i = 0; i < weight.size(); i++) { // 遍历物品
 for(int j = bagWeight; j >= weight[i]; j--) { // 遍历背包容量
 dp[j] = max(dp[j], dp[j - weight[i]] + value[i]);
 }
}

这⾥⼤家发现和⼆维 dp 的写法中，遍历背包的顺序是不⼀样的！

⼆维 dp 遍历的时候，背包容量是从⼩到⼤，⽽⼀维 dp 遍历的时候，背包是从⼤到⼩。

为什么呢？

倒叙遍历是为了保证物品 i 只被放⼊⼀次！

举⼀个例⼦：物品 0 的重量 weight[0] = 1 ，价值 value[0] = 15

如果正序遍历

dp[1] = dp[1 - weight[0]] + value[0] = 15

dp[2] = dp[2 - weight[0]] + value[0] = 30

此时 dp[2] 就已经是 30 了，意味着物品 0 ，被放⼊了两次，所以不能正序遍历。

为什么倒叙遍历，就可以保证物品只放⼊⼀次呢？

倒叙就是先算 dp[2] = dp[2 - weight[0]] + value[0] = 15 （ dp 数组已经都初始化为 0 ）

dp[1] = dp[1 - weight[0]] + value[0] = 15

所以从后往前循环，每次取得状态不会和之前取得状态重合，这样每种物品就只取⼀次了。

再来看看两个嵌套 for 循环的顺序，代码中是先遍历物品嵌套遍历背包容量，那可不可以先遍历背包容量嵌套遍历物品呢？

不可以！

因为⼀维 dp 的写法，背包容量⼀定是要倒序遍历（原因上⾯已经讲了），如果遍历背包容量放在上⼀层，那么每个dp[j] 就只会放⼊⼀个物品，即：背包⾥只放⼊了⼀个物品。

5. 举例推导dp数组

⼀维 dp ，分别⽤物品 0 ，物品 1 ，物品 2 来遍历背包，最终得到结果如下：

⼀维 dp01 背包完整 C++ 测试代码

可以看出，⼀维dp 的01背包，要⽐⼆维简洁的多！ 初始化 和 遍历顺序相对简单了。

所以我倾向于使⽤⼀维 dp 数组的写法，⽐较直观简洁，⽽且空间复杂度还降了⼀个数量级！在后⾯背包问题的讲解中，我都直接使⽤⼀维dp 数组来进⾏推导 。

416. 分割等和⼦集

题⽬链接： https://leetcode-cn.com/problems/partition-equal-subset-sum/

1049. 最后⼀块⽯头的重量 II

题⽬链接： https://leetcode-cn.com/problems/last-stone-weight-ii/

494. ⽬标和

题⽬链接： https://leetcode-cn.com/problems/target-sum/

474. ⼀和零