2022.3.2 动态规划 —— 动态规划解题套路框架

系列文章目录

1.动态规划解题套路框架

---

---

前言

内容参考自
今天开始按照作者指导的思路刷一刷数据结构与算法题，今日内容为 “动态规划解题套路框架”。

---

一、什么是动态规划？

动态规划问题的一般形式就是求最值。

既然是要求最值，求解动态规划的核心问题便是穷举。因为要求最值，肯定要把所有可行的答案穷举出来，然后在其中找最值。
而动态规划的穷举不是一般的暴力穷举，因为这类问题存在**「重叠子问题」，如果暴力穷举的话效率会极其低下，所以需要「备忘录」或者「DP table」来优化穷举过程。而且动态规划问题一定会具备「最优子结构」**，可以通过子问题的最值得到原问题的最值。然而，只有列出正确的「状态转移方程」，才能正确地穷举。

二、如何使用动态规划解决问题？

明确 base case -> 明确「状态」-> 明确「选择」 -> 定义 dp 数组/函数的含义
（即确定「状态转移方程」，只要通过状态转移方程写出暴力递归解，剩下的就是优化递归树，消除重叠子问题）

解题套路框架：

# 初始化 base case
dp[0][0][...] = base
# 进行状态转移
for 状态1 in 状态1的所有取值：
    for 状态2 in 状态2的所有取值：
        for ...
            dp[状态1][状态2][...] = 求最值(选择1，选择2...)

三、例题

1.斐波那契数列

（体现重叠子问题）

给定 n ，返回斐波那契数列的第 n 项 F(n)

①暴力递归：

public int fib(int n) {
   
        if (n == 0) {
   
            return 0;
        }
        if (n == 1) {
   
            return 1;
        }
        int ans = fib(n - 1) + fib(n - 2);
        return ans;
    }

时间复杂度： 子问题个数 x 解决一个子问题需要的时间

首先计算子问题个数，即递归树中节点的总数。显然二叉树节点总数为指数级别，所以子问题个数为 O(2^n)。

然后计算解决一个子问题的时间，在本算法中，没有循环，只有 f(n - 1) + f(n - 2) 一个加法操作，时间为 O(1)。

所以，这个算法的时间复杂度为二者相乘，即 O(2^n)，指数级别，爆炸。

（因为存在大量重复计算，例如计算 F(20) 时计算了 F(19) 和 F(18)，计算F(19) 时计算了 F(18) 和 F(17)，使得F(18) 被计算了两次）

这就是动态规划问题的第一个性质：重叠子问题

②带备忘录的递归解法：
增加一个变量「备忘录」，每次算出某个子问题的答案后先记到「备忘录」里，再返回；每次遇到一个子问题先去「备忘录」里查一查，如果发现之前已经解决过这个问题了，直接把答案拿出来用，不必再耗时去计算。

int fib(int n) {
   
    // 备忘录全初始化为 0
    int[] memo = new int[n + 1];
    // 进行带备忘录的递归