LeetCode-[动态规划]-最小编辑距离

并没有动态规划的基础，所以这里要补充自己理解的动态规划。分为三步：

1. 什么是动态规划
2. 理解这道题目，什么是最小编辑距离的算法
3. 代码怎么写

1. 什么是动态规划

动态规划和递归关系密切，都是大问题转化成小问题。

但是有区别：递归有大量重复的步骤，而动态规划则将重复的步骤的结果记录下来，以后遇到重复的步骤就直接用结果而不重复执行步骤，这样就大量减少了时间复杂度。

1. 动态规划状态方程经常长这样

• f[i][j] = f[i - 1][j] + f[i][j - 1]

• f[i] = max{f[j] if j < i and …} + 1

• f[i][j] = f[0][j - 1] && judge(1,i) || f[1][j - 1] && judge(2,i) || …

2. 动态规划常见类型

• 矩阵型

• 序列型

• 双序列型

• 划分型

• 区间型

• 背包型

• 状态压缩型

• 树型

3. 什么问题该用动态规划

• 求最大值/最小值

• 求可不可行

• 求方案总数

如果你碰到一个问题，是问你这三个问题之一的，那么有90%的概率是使用动态规划来求解。

要重点说明的是，如果一个问题让你求出“所有的”方案和结果，则肯定不是使用动态规划。

4. 解决动态规划的步骤

• 状态是什么

• 状态转移方程是什么

• 状态的初始值是什么

• 问题要求的最后答案是什么

每个步骤分析完成之后，就基本上解决了整道动态规划的问题。

动态规划主要是一种“大化小”的思想，了解到这种程度就差不多了，接下来都要靠练习找感觉。

2. 最小编辑距离

我觉得这篇文章写得较好，动态规划零基础的我也能看懂。以下参考了这篇文章。
https://blog.csdn.net/qq_34552886/article/details/72556242

1. 最小编辑距离含义

编辑距离算法被数据科学家广泛应用，是用作机器翻译和语音识别评价标准的基本算法。
字符串的编辑距离，又称为Levenshtein距离，由俄罗斯的数学家Vladimir Levenshtein在1965年提出。是指利用字符操作，把字符串A转换成字符串B所需要的最少操作数。

输入: word1 = “horse”, word2 = “ros”
输出: 3
解释:
horse -> rorse (将 ‘h’ 替换为 ‘r’)
rorse -> rose (删除 ‘r’)
rose -> ros (删除 ‘e’)

两个字符串的编辑距离越小，则它们越相似。

如果两个字符串相等，则它们的编辑距离为0。

不难分析出，两个字符串的编辑距离肯定不超过它们的最大长度（可以通过先把短串的每一位都修改成长串对应位置的字符，然后插入长串中的剩下字符）。

---

2. 最小编辑距离三种操作

	写在前面：
	word1是可变的，word2是不可变的。即插入、删除、替换是针对可变的字符串说的，看到其他文章时
	要注意它是word1可变还是word2可变。
	比如下面将要讲到的（其中 j 对应可变字符串）：edit[i-1][j]表示插入，而不是删除
	                                      edit[i][j-1]表示删除，而不是插入

分别给串1和串2设两个指针 i ，j，分别遍历两个串，遍历过程中只会执行以下三种操作：

• 插入
• 删除
• 替换：替换包括真的替换一个字符，另一个是若两个串比对的字符一样则同时跳过

---

3. 状态方程

用edit[i][j]表示A串和B串的编辑距离。edit[i][j]表示A串从第0个字符开始到第i个字符和B串从第0个字符开始到第j个字符，这两个字串的编辑距离。字符串的下标从1开始。

dis[0][0]表示word1和word2都为空的时候，此时他们的Edit Distance为0。很明显可