分治法与动态规划联系与区别

一、分治法

参考维基百科的定义，分治法采用循环递归的设计

在每一层递归上都有三个步骤：

1. 分解：将原问题分解为若干个规模较小，相对独立，与原问题形式相同的子问题。
2. 解决：若子问题规模较小且易于解决时，则直接解。否则，递归地解决各子问题。
3. 合并：将各子问题的解合并为原问题的解。

典型的采用分治算法解决的问题有归并排序，一个python写的归并排序算法

def merge_list(l1, l2):
    result = []
    while l1 and l2:
        result.append(l1.pop(0) if l1[0] < l2[0] else l2.pop(0))
    result += l1 if l1 else l2
    return result


def merge_sort(l):
    if len(l) == 1:
        return l
    mid = len(l) // 2
    left = merge_sort(l[:mid])
    right = merge_sort(l[mid:])
    return merge_list(left, right)


if __name__ == '__main__':
    l = [4, 8, 5, 6, 9, 2]
    print(merge_sort(l))

merge_sort函数首先是一个递归函数，出口是只有一个元素，每次需要调用左半边部分、右半边部分的merge_sort，再将左右部分合并起来。

二、动态规划

维基百科的定义：

动态规划（英语：Dynamic programming，简称DP）是一种在数学、管理科学、计算机科学、经济学和生物信息学中使用的，通过把原问题分解为相对简单的子问题的方式求解复杂问题的方法。

动态规划常常适用于有重叠子问题和最优子结构性质的问题，动态规划方法所耗时间往往远少于朴素解法。

动态规划背后的基本思想非常简单。大致上，若要解一个给定问题，我们需要解其不同部分（即子问题），再根据子问题的解以得出原问题的解。

通常许多子问题非常相似，为此动态规划法试图仅仅解决每个子问题一次，从而减少计算量：一旦某个给定子问题的解已经算出，则将其记忆化存储，以便下次需要同一个子问题解之时直接查表。这种做法在重复子问题的数目关于输入的规模呈指数增长时特别有用。

适用情况

1. 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，我们就称该问题具有最优子结构性质（即满足最优化原理）。最优子结构性质为动态规划算法解决问题提供了重要线索。
2. 无后效性。即子问题的解一旦确定，就不再改变，不受在这之后、包含它的更大的问题的求解决策影响。
3. 子问题重叠性质。子问题重叠性质是指在用递归算法自顶向下对问题进行求解时，每次产生的子问题并不总是新问题，有些子问题会被重复计算多次。动态规划算法正是利用了这种子问题的重叠性质，对每一个子问题只计算一次，然后将其计算结果保存在一个表格中，当再次需要计算已经计算过的子问题时，只是在表格中简单地查看一下结果，从而获得较高的效率。

典型的动态规划问题有跳台阶问题，

def steps(n):
    if n in [0, 1]:
        return 1
    f1, f2 = 1, 1
    for i in range(2, n + 1):
        tmp = f1 + f2
        f1 = f2
        f2 = tmp
    return f2

if __name__ == '__main__':
    print(steps(5))

三、两者区别跟联系

联系：将原问题分解成若干子问题

区别：分治法要求子问题互相独立，动态规划子问题互有重叠，并通过存储子问题的解减少时间复杂度