2020-10-26动态规划

动态规划总结

一个简单的模板

for() //遍历状态（如函数的可变参数，数组的索引）
	if()	//选择
		dp[i] = dp[i-1];	//迭代公式（dp数组自底向上迭代，dp函数自顶向下递归）
	else
		...

维基百科中关于动态规划的描述是，只能运用于有最优子结构的问题，并且在处理的问题有很多重叠子问题时，特别有效。
最优子结构是指局部最优值能决定全局最优值。（这一点似乎和贪婪算法很相似）。
动态规划是一个求解最优化问题的方法，所以它的核心思想就是枚举，而确定状态迭代公式是动态规划问题的关键。

解法：

1. 暴力递归（递归树）
2. 因为存在重叠子问题，所以进行剪枝（带备忘录的递归），即自顶向下；
3. 通过dp数组（代替备忘录）的迭代，进行自底向上

滚动数组思想

一种常见的动态规划优化方法，如果当前状态只和前面某几个状态相关的时候，就可以考虑这种优化方法，目的是给空间复杂度「降维」。比如斐波那契数列，只需要前两个状态，那么就只需要两个变量即可。
用二维数组举例（来源.）

int i, j, d[100][100];
for(i = 1; i < 100; i++)
    for(j = 0; j < 100; j++)
        d[i][j] = d[i - 1][j] + d[i][j - 1];

上面的d[i][j]只依赖于d[i - 1][j], d[i][j - 1];
运用滚动数组

int i, j, d[2][100];
for(i = 1; i < 100; i++)
    for(j = 0; j < 100; j++)
        d[i % 2][j] = d[(i - 1) % 2][j] + d[i % 2][j - 1];   

题目类型

动态规划的题目分为两大类，一种是求最优解类，另一种就是计数类，它们都存在一定的递推性质（即最优子结构）。这两种情况都需要进行枚举。

例1、正则表达式匹配

题解参考了英文leetcode中的题解

确定迭代公式：
这道题关键点在于，* 匹配了多少次。它要么匹配0次，即dp[i][j] = dp[i][j-2]，表示*和它前面的字符，都可以被忽略。要么它可以匹配多次。
（dp[i][j]为true，则表示s[0…i) 和p[0…j)能够匹配）

当匹配多次时，就在s字符串中不断去掉这样的重复字符，直到 * 只需要匹配0次。即dp[i][j] = dp[i-1][j] && (s[i-1] == p[j-2] || p[j-2] == ‘.’)。可知这种迭代需要保证两个字符相等。

完整的公式为

1. p[j - 1] != '*'时，dp[i][j] = dp[i - 1][j - 1] && (s[i - 1] == p[j - 1] || p[j - 1] == ‘.’);
2. p[j - 1] == '*'时，dp[i][j] = dp[i][j - 2] （*匹配0次）或者 dp[i - 1][j] && (s[i - 1] == p[j - 2] || p[j - 2] == ‘.’);

值得注意的是，看着公式是从大到小递归迭代，理解起来有点困难。但是编写代码的时候，i 和 j 都是从小到大的。
比如对于aabb和ab，首先判断对于空串，ab的每一个从a开始的子串，能不能匹配。接着判断对于a，ab的每一个从a开始的子串，能不能匹配。然后是aa，…，最后就是aabb。

2、不同路径

3、买卖股票

参考链接121-123
分析这个问题，可知：最后一天时的利润，可以是前一天时的利润+（最后两天买入卖出的利润），括号里是可选的，因为它不一定存在利润。
难点在于如何定义出各种状态，以及状态转移公式。
dp[i][j] 表示到下标为 i 的这一天，持股状态为 j （持有股票，还是持有现金）时，我们手上拥有的最大现金数。

4、背包问题