动态规划-钢条切割（java）

数据结构与算法系列源代码：https://github.com/ThinerZQ/AllAlgorithmInJava
本文源代码：https://github.com/ThinerZQ/AllAlgorithmInJava/blob/master/src/main/java/com/zq/algorithm/dynamicprogrammin/SteelBar.java

如果代码链接失效了，麻烦评论给我。

动态规划与分治法相似，都是通过组合子问题的解来求解原问题。

分治法将问题划分为不互相交子问题，递归的求解子问题，再将他们组合起来，求出原问题的解。

与之相反，动态规划应用于子问题重叠的情况，即不同的子问题具有公共的 子子问题。这种情况下分治法会重复的求解那些公共的子子问题。而动态规划算法对每个子子问题只求解一次，将其存放在某一个表格中，无需每次求解一个子子问题时都重新计算，避免了不必要的计算工作，特别是当问题规模比较大的时候，在时间上有显著的区别

动态规划用来求解最优化问题。这类问题可以有很多可行的解，每个解都有一个值，我们希望需找具有最优值（最大或最小）的解。当然可能同时存在多个最优解（同时最大，或同时最小），动态规划只要求找到其中一个就好了。

这里我们用算法导论里面的钢条切割为例子。

切钢条：假如Serling公司出售一段长度为 i 英寸的钢条的价格为 pi( i =1,2,3,4…单位问美元)。钢条的长度为整英寸。

下表是一个价格表。

长度i	1	2	3	4	5	6	7	8	9
价格pi	1	5	8	9	10	17	17	20	24

假设Serling公司进了一批长度为10的钢条，那么怎么切割才能使利益最大呢，长度为 9 , 8 呢？

对于上述价格表样例，我们可以观察出所有最优收益值Ri及对应的最优解方案：

最优值	切割方案
R1 = 1	切割方案1 = 1（无切割）
R2 = 5	切割方案2 = 2（无切割）
R3 = 8	切割方案3 = 3（无切割）
R4 = 10	切割方案4 = 2 + 2
R5 = 13	切割方案5 = 2 + 3
R6 = 17	切割方案6 = 6（无切割）
R7 = 18	切割方案7 = 1 + 6或7 = 2 + 2 + 3
R8 = 22	切割方案8 = 2 + 6
R9 = 25	切割方案9 = 3 + 6
R10 = 30	切割方案10 = 10（无切割）

更一般地，对于Rn（n >= 1），我们可以用更短的钢条的最优切割收益来描述它：

Rn = max(Pn, R1 + Rn-1, R2 + Rn-2,…,Rn-1 + R1)

首先将钢条切割为长度为i和n - i两段，接着求解这两段的最优切割收益Ri和Rn - i（每种方案的最优收益为两段的最优收益之和），由于无法预知哪种方案会获得最优收益，我们必须考察所有可能的i，选取其中收益最大者。如果直接出售原钢条会获得最大收益，我们当然可以选择不做任何切割。

注意到，为了求解规模为n的原问题，我们先求解形式完全一样，但是规模更小的子问题。当完成首次切割之后，我们将两段钢条看成两个同等的钢条切割问题实例，通过组合两个问题的最优解，并在所有可能的两段切割方案中选择组合收益最大值，构成原问题的最优解，我们称这样的问题满足最优子结构性质：问题的最优解是由相关子问题的最优解组和而成的，这些子问题可以独立求解。

分析到这里，假设现在出售10英寸的钢条，应该怎么切割呢？为了方便分析，我们使用钢条长度=4来分析问题

1、解法：