动态规划笔记

什么是dp？

dp是英文 dynamic programming，动态的编程。

什么是动态规划？

要了解动态规划，首先需要了解动态规划的两个老前辈：
贪心（Greed）： 以当前局部最优的选择来逐步建立一个问题解决方案，最终结果不一定是全局最优解，可以认为是动态规划求解最优化问题的一个特例。

分治（Divide-and-conquer）：将问题划分为独立的（independent）子问题，递归地求解子问题（有可能会被反复求解），再将它们的解组合起来，求出原问题的解。

动态规划（Dynamic programming）：用分治思想将问题划分为一系列独立的子问题，但各子问题的子子问题重复，即含有重叠的（overlapping）子问题， 则把每个子问题只求解一次（记录在表中），通过组合更小的子问题的解来得到更大子问题的解。

经典再现

用1x2的骨牌填满2n的格子，共有几种填法？
Sol:
以f(n)表示填满2n格子的方法数
观察最后一格放置骨牌的情形：

解决方法：
以f(n)表示填满2*n格子的方法数
观察最后一格放置骨牌的情形：
f(n)=f(n-1)+f(n-2)
初始条件：f(1)=1, f(2)=2

问题转化为斐波拉契数列问题  	

这个问题实现方法最简单的就是递归了：

这是一种非常简便的办法，理解起来也非常简便，但是——它非常的慢。
时间复杂度：O(f(n))= O(2^n)。

原因：重叠子问题。
如果把深搜遍历看成是一棵树的话，不难发现问题：

不只是方框框出来的地方，重复求解的地方数不胜数。

怎么解决，当然是记下来呀！

动态规划的简单优化——拿空间换时间！

将子问题答案记录（Memoization，备忘录）起来，如果递归遇到相同的问题，则直接查表。

时间复杂度：O(n)，比起递归算法，是降维打击
DP= Divide and Conquer + Memoization Programming——用表格存储起来，有 “ 以空间换时间”之含义

搜索树如下：

红色的部分为直接查表的部分。

在经过动归的初步了解后，现在：

以状态和DAG的观点，重新看待动态规划

动态规划类比
“子问题” = 状态；
全部子问题 = 状态空间；
递推关系 = 状态转移方程；

子问题 = 点；
递推关系 = 边；

注：图中箭头的意思是要求箭头指到的问题的话，就必须要用到箭头末端的答案。

由图易得，刚才的题还有一种写法：

因为这个实现方式没有递归调用的开销，表的维护开销也更小，而且，对于某些问题，可以通过改变表的访问模式来进一步降低时空代价，所以目测应该是更优。
但是在动归当中，其实有的状态并不需要一直都保存起，有些子问题的答案用完就可以直接丢弃了，例如这道题，只需要保存上一个和上上个问的答案就可以了。

int fib(int n) 
{   
	 if (n < 2)  return n; 
  	 int prev = 1,curr = 1;  
     for (int  i = 1;  i < n;  i++) {     
        int  sum = prev + curr; 
        prev = curr; 
        curr = sum; 
      }  
   return  curr;
 }

矩阵快速幂优化动态方程求解