动态规划-最长公共子序列、最长公共子串

首先， 动态规划是一种 算法。那么，何谓算法？计算机书籍中不难找到其严谨的学术定义，大众可以简单理解为“ 解决某一类问题的核心思想”。

先谈动态规划的意义——望文生义，“动态”规划对应“动态”的问题：你并不知道问题的规模会有多大，而不论是个位数还是百万级，都能以较快速度(动态规划是一种泛用性算法，而泛用性算法与特定算法相比往往存在性能差距)将结果正确计算出来。这是对于计算机科学最直观的意义，当然我认为其对人生亦有一定指导意义，但那是见仁见智的事了。

动态规划这一思想的实质其实是以下两点：
1.分析问题，构造状态转移方程
2.以空间换时间

让我们结合一个简单例子来理解一下：
以乘法计算为例，乘法的定义其实是做n次加法，请先忘掉九九乘法表，让你计算9*9，如何得到81这个解？计算9*10呢？9*999……以及9*n呢？
1.分析问题，构造状态转移方程
“状态转移方程”的学术定义亦可简单找到（比如置顶答案），略去不表。光看“方程”二字，可以明白它是一个式子。
针对以上问题，我们构造它的状态转移方程。
问题规模小的时候，我们可以容易得到以下式子：
9*0=0；
9*1=0+9；
9*2=0+9+9；
……
可以得到：9*n=0+9+...+9(总共加了n个9)。严谨的证明可以使用数学归纳法，略去不表。
现在，定义dp(n)=9*n,改写以上式子：
dp(0)=9*0=0；
dp(1)=9*1=dp(0)+9；
dp(2)=9*2=dp(1)+9；
……
作差易得：dp(n)=dp(n-1)+9；这就是 状态转移方程了。
可以看到，有了状态转移方程，我们现在可以顺利求解9*n（n为任意正整数）这一问题。
2.以空间换时间
虽然能解，但当n很大时，计算耗时过大，看不出状态转移方程dp(n)=dp(n-1)+9与普通方程9*n=0+9+...+9(总共加了n个9)相比没有任何优势。
这时，如果dp(n-1)的结果已知，dp(n)=dp(n-1)+9只需计算一次加法，而9*n=0+9+...+9(总共加了n个9)则需计算n-1次加法， 效率差异一望即知。
存储计算结果，可令状态转移方程加速，而对普通方程没有意义。
以空间换时间，是令动态规划具有实用价值的必备举措。【转载知乎】

public static int static lcsLength(String a,String b){   //两个字符串的最长公共子序列
    int m=a.length();int n=b.length();
    int c[][] = new int[m+1][n+1];
    for(int i=1;i<= m;i++){
      for(int j=1;i<=n;j++){
        if(a.charAt(i-1) == b.charAt(j-1)){
             c[i][j] = c[i-1][j-1]+1;       
         }else{
          c[i][j]  =Math.max(c[i-1][j-1],Math.max(c[i-1][j],c[i][j-1]));
 } } }
     return c[m][n];
}


public static int findLength(String a,String b){    // 两个字符串的最长公共子串
    	int m = a.length();
    	int n = b.length();
    	int dp[][] = new int[m+1][n+1];
    	int max = 0;
    	for(int i=1;i<=m;i++){
    		for(int j=1;j<=n;j++){
    			if(a.charAt(i-1) == b.charAt(j-1)){
    				dp[i][j] = dp[i-1][j-1]+1;
    			}else{
    				dp[i][j] =0;
    			}
    			if(max < dp[i][j]){
    				max = dp[i][j];
    			}
    		}
    	}
    	return max;
    }