算法学习——动态规划入门

很久没有接触动态规划了，通过b站正月点灯笼的视频重新学习了一遍：学习视频地址。总结了一下文字版方便复习：（因为最近都在学习JS，代码部分会用JS写一遍，算法核心不变）

Fibonacci Sequence斐波那契数列

用斐波那契数列理解动态规划问题：我们知道斐波那契数列有个递归公式fib(n) = fib(n-1) + fib（n-2)。所以通过递归我们可以轻松的实现求fib(n)

JavaScript实现：

function fib(n) {
   
	if (n == 1 || n == 2) return 1;
	return fib(n-1) + fib(n-2);
}

但是这样实现会有一个问题，就是会出现重叠子问题，导致我们递归算法的时间复杂度比较高O(2^n)。

什么是重叠子问题(overlap sub-problem)呢？我们看下面的树状分析图，当我们要计算fib(7)的时候，fib(5)、fib(4)…等等都要计算两次，这就是重叠子问题。如果我们能将fib(i)的值存储起来，避免重复计算，时间复杂度就能大大减少。

也就是说我们放弃递归，而是采取从前往后计算，如下图，时间复杂度就会变为O(n)：

JavaScript代码实现：

function fib(n) {
   
	var arr = [1,1];
	if (n < 3) return arr[n - 1];
	for (let i = 2; i < n; i++) {
   
		arr[i] = arr[i-1] + arr[i-2];
	} 
	return arr[n-1]
}

这第二种解法就是动态规划的雏形了。理解了斐波那契数列问题后，来看下面这个题目：

1.最佳选择问题One

Q：时间坐标系里有从上到下八个任务，它们的横坐标表示必须在[i,j]时间段内完成，红色的数字表示完成该项目后能获得的报酬。问选择任意多个任务后能获得的最多报酬是多少？（同一时间只能做单一个项目）

通常动态规划的问题就是选和不选的问题，我们先写出递归公式：

• OPT(i)：前i个任务可能获得的最高报酬
• v(i)：第i个任务的报酬
• prev(i)：如果选了第i个，前面最近能选的任务编号
  

JavaScript代码实现：

//递归算法：
var tasks = [5, 1, 8, 4, 6, 3, 2, 4]