动态规划（一）

动态规划算法第一节
初步认识动态规划算法，即将一个大问题分解为多个小问题，在许多小问题中找最优解

动态规划算法通常基于一个递推公式及一个或多个初始状态。 当前子问题的解将由上一次子问题的解推出。使用动态规划来解题只需要多项式时间复杂度， 因此它比回溯法、暴力法等要快许多。动态规划也是面试笔试题中的一个考查重点，当阅读一个题目并且开始尝试解决它时，首先看一下它的限制。 如果要求在多项式时间内解决，那么该问题就很可能要用DP来解。遇到这种情况， 最重要的就是找到问题的“状态”和“状态转移方程”。(状态不是随便定义的， 一般定义完状态，你要找到当前状态是如何从前面的状态得到的， 即找到状态转移方程)如果看起来是个DP问题，但你却无法定义出状态， 那么试着将问题规约到一个已知的DP问题。

这里先说明一个最简单的动态规划实例：硬币问题。后续还会给出更多的实例，例如：最长公共子序列，最长公共子串，最长递增子序列，字符串编辑距离等。动态规划的关键就是找出“状态”和“状态转移方程”。

硬币问题：给你一些面额的硬币，然后给你一个值N，要你求出构成N所需要的最少硬币的数量和方案。分析：这个问题可以尝试用贪心算法去解决，先从面额最大的硬币开始尝试，一直往下找，知道硬币总和为N。但是贪心算法不能保证能够找出解（例如，给,2,3,5,然后N=11）。我们可以换个思路，我们用d(i)表示求总和为i的最少硬币数量（其实就是动态规划中的“状态”）,那么怎么从前面的状态（并不一定是d(i-1)这一个状态）到d(i)这个状态？假设硬币集合为coins[0~N]，在求d(i)之前，我们假设d(1~i-1)全部都求出来了，