动态规划解题方法

魔幻的 2020 让我们怀疑人生是否存在最优解？我们某个时间的决策究竟是否正确？历史不能改变，但却会重演，我们究竟要从过去中学到什么呢？

让我们一起从动态规划中，来找寻这些问题的答案吧～

（咳咳，今天开始回归算法系列，来聊一聊之前的算法文章中没有讲到的内容。

什么是动态规划

动态规划（Dynamic Programic，简称 DP）是一种求解最优解的方法，它是一种特殊的分治思想，利用它可以实现时间复杂度的优化，有时也可以进行空间复杂度的优化，有时是需要更多的空间的（相比其他方法）。

dynamic 是动态的意思，也就是变化的，programing 可以理解为方程（我瞎说的），结合起来就是动态规划是用状态转移方程来求得最优解的算法。

在解释动态规划的时候，我们顺便理一理和它相关的两种思想——分治和贪心算法。

分治

分治是把大问题分解成若干个子问题，这样的能分解性质就是最优子结构的。

最简单的例子就是小明在解决问题 A 的时候，发现问题 A 是由问题 B 和 C 一起组成的，所以他想要解决问题 A，就需要把 B、C 一起去解决。

动态规划

动态规划是分治法的特例。

动态规划比分治法多了一种，就是重叠的子问题。

什么是重叠的子问题呢？举个例子来讲，可爱的小明遇到了一个可爱的问题，那就是问题 A，但是在前面需要解决一连串的问题，我们用A1，A2，A3，A4 ... A来表示，在解决A1之后会用它的解去解决类似的问题A2， 然后再去解决A3，最终再去解决 A，这就是重叠的子问题的典型代表。（下面的例题还会解释这个概念）

贪心

贪心比动态规划更加的特殊，它还需要问题满足另外一个性质——贪心选择性质，每次都可以把原问题分解成为一个子问题。

实际上再用动规的例子来说明贪心，在解决A1，A2，A3，A4 ... A的时候，他发现解决不光有一种重叠子问题的性质在里面，更有趣的是，解决A1需要一种特殊的规则。

例如小明现在在玩电脑游戏，而电脑游戏的最终目的是到达A，而他又发现，只要一直往右边走就能到达最终的目的地了。这就是一种贪心的算法，在每次往右边走，就是一种特殊的规则，而走到目的地A需要很多重复的子问题，也即每次活动一个单位。

入门

其实在很久之前我写的一篇文章中，以斐波那契数列这道基本题为例，详细阐述了从递归到 DP 的优化方法和思路，以及简单题的不简单的答法，大家不妨先去复习一下：

这才是面试官想听的：从递归到 DP 的优化

然后我们再来看看一般的动态规划解题思路。

解题思路

回到动态规划，这里有四个基本的概念：

• state（状态表示）
• function（转移方程）
• initial（初始化）
• final state（最终的状态）

在刚开始的时候，我们首先需要构建一个存储数据的表格，一般是数组或者矩阵，然后设定好每一个格子到下一个格子需要的转移方程。

然后去执行重复的步骤，从初始化的状态一直计算到最终需要的状态。