常见算法200个（6）：动态规划

代码的尽头是算法，😄所以对于算法这门教学讲解任重道远，铁子们撸起袖子～ 

所谓动态规划（dynamic programming）是运筹学的一个分支，是求解决策过程（decision process）最优化的数学方法。动态规划一般可分为四类：线性动规，区域动规，树形动规，背包动规。

1. 线性动规：拦截导弹，合唱队形，挖地雷，建学校，剑客决斗等；
2. 区域动规：石子合并，加分二叉树，统计单词个数，炮兵布阵等；
3. 树形动规：贪吃的九头龙，二分查找书，聚会的欢乐，数字三角形等；
4. 背包问题：01背包问题，完全背包问题，分组背包问题，二维背包，装箱问题，挤牛奶等；

应用实例：最短路径问题，项目管理，网络流优化等。

一、动态规划，经典算法题：斐波那契队数

第一种.动态规划解题

const fib = (n) =>{
    if(n<=1) return n
    const dp = [1,2]
    for(let i=2;i<=n;i++){
        dp[i] =dp[i-1]+dp[i-2]
    }
    return dp[n]
}

第二种.优化动态规划解题

这里主要是优化存储空间，将数组修改为变量

const fib =(n)=>{
  if(n<=1) return n
  let pre = 0
  let cur =1
  for(var i =2;i<=n;i++){
     let tem = cur+pre
     cur = tem
     pre = cur
  } 
  return cur
}

二、不同路径

一个机器人位于一个 m x n 网格的左上角 （起始点在下图中标记为 “Start” ）。

机器人每次只能向下或者向右移动一步。机器人试图达到网格的右下角（在下图中标记为 “Finish” ）。

问总共有多少条不同的路径？

示例 1：

输入：m = 3, n = 7
输出：28

示例 2：

输入：m = 3, n = 2
输出：3
解释：
从左上角开始，总共有 3 条路径可以到达右下角。
1. 向右 -> 向下 -> 向下
2. 向下 -> 向下 -> 向右
3. 向下 -> 向右 -> 向下

示例 3：

输入：m = 7, n = 3
输出：28

对于这一题我们需要推导出计算公式，

• 1.建立模型，二维数组（一维数组）
• 2.首先从数量少的找规律
• 3.在此基础上找出已知的状态

推导出公式和常量如下：

dp[i][j] = dp[i-1][j]+dp[i][j-1]

dp[0][1] dp[0][2] ...  dp[0][j] = 1
dp[1][0] dp[2][0] ...  dp[i][0] = 1

接下来就去循环遍历二维数组中的每一个值，二维数组最后那个值即为答案

var uniquePaths = function(m, n) {
   var dp = Array(m).fill().map(()=>Array(n).fill(0))
   for(var i=0;i<m;i++){
    dp[i][0]= 1
   }
   for(var i=0;i<n;i++){
    dp[0][i] = 1
   }
   
   for(var i=1;i<m;i++){
     for(var j=1;j<n;j++){
       dp[i][j] = dp[i-1][j]+dp[i][j-1]
     }
   }
   return dp[m-1][n-1]
};

我们接着看最开始那张图，这里的二维数组空间是否还可以有优化:

这里一维数组，即是一行一行的遍历，发现规律即当前值等于它前一个值加上自己

dp[j] = dp[j-1]+dp[j]  代码如下：

var function rous = (m,n)=>{
  let dp = Array(n).fill(1)
  for(var i=0;i<m;i++){
    for(var j=0;j<m;j++){
        dp[j] = dp[j-1]+dp[j]
    }
  }
  return dp[n-1]
}