简介
动态规划（英语：Dynamic programming，简称DP）。动态规划常常适用于有重叠子问题[1]和最优子结构性质的问题，动态规划方法所耗时间往往远少于朴素解法。
最经典的0-1背包问题可以用动态规划来解决。0-1背包问题的描述是这样：话说有一哥们去森林里玩发现了一堆宝石，他数了数，一共有n个。 但他身上能装宝石的就只有一个背包，背包的容量为C。这哥们把n个宝石排成一排并编上号： 0,1,2,…,n-1。第i个宝石对应的体积和价值分别为V[i]和W[i] 。排好后这哥们开始思考： 背包总共也就只能装下体积为C的东西，那我要装下哪些宝石才能让我获得最大的利益呢？
假设一共有3个宝石，对应的容量V和价值W的列表为V=[5, 4, 3],W=[20, 10, 12],背包的容量C为10。那问题就变为：在背包容量为10的条件下，在这3个宝石中任选其中几个宝石装进背包，使得装入背包的宝石价值总和最大。
直观得看应该选择第0号宝石和第2号宝石装进背包，容量综合为5+3<10，价值总和为20+12=32。这种选择方法最优。人在作出这种选择的时候是如何思考的呢？应该是遍历了所有可能的装包情况。[]、[0]、[1]、[2]、[0,1]、[0,2]、[1,2]、[0,1,2]，最终选出[0,2]这种方案，使得容量不超过10,而且总价值达到最大。但是当宝石比较多的时候，要遍历所有可能的方案几乎是不可能。计算机也可以模仿人类进行这种遍历，而且速度一定比人快很多倍。这种遍历所有方案的时间复杂度是C(n,0)+C(n,1)+C(n,2)+...+C(n,n)。这种时间复杂度太大了，计算机也接受不了，这种复杂度应该比多项式级别复杂度更高。总之这种遍历的方法是行不通的，必须找出一种时间复杂度更低的解决方法。那就是动态规划。动态规划的时间复杂度能达到C(C*n),而且还可以优化。
在3个宝石的例子基础上再增加一个宝石，加入第3号宝石V[3]=3,W[3]=20，现在的问题是用这4个宝石来装包，限制是包的容量为10,请给出一种方法使得包中所装的宝石价值总和最大？即d(4,10) 应该选[1,2,3]这种方案。然后再去掉第3号宝石，同时对于背包的容量限制减去3号宝石的容量，变为7。求用这3个宝石来填充容量为7的包，使得包中的宝石价值总和最大。即d(3,7)。最优方案应该是[1,2]。再去掉2号宝石，求用前两个宝石来填充背包，背包容量为4,求解d(2,4)，则最优方案只能是[1]。看到了没，这是有规律的。问题d[4,10]、d(3,7)、d(2,4)的分别对应的解决方案[1,2,3]、[1,2]、[1]，前者的解决方案包含有后者的解决方案。也就是说问题的最优解中包含有子问题的最优解。d(4,10)这个问题可以描述为d(3,7)加上另外一部分。可以这样看，现在已经得到d(3,7)的最优解，那怎么得到d(4,10)的最优解呢？
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
