浅谈算法之动态规划

前言：

动态规划算法

　　动态规划（Dynamicprogramming）是一种在数学、计算机科学和经济学中使用的，通过把原问题分解为相对简单的子问题的方式求解复杂问题的方法。动态规划常常适用于有重叠子问题和最优子结构性质的问题，动态规划方法所耗时间往往远少于朴素解法。
　　动态规划背后的基本思想非常简单。大致上，若要解一个给定问题，我们需要解其不同部分（即子问题），再合并子问题的解以得出原问题的解。通常许多子问题非常相似，为此动态规划法试图仅仅解决每个子问题一次，从而减少计算量：一旦某个给定子问题的解已经算出，则将其记忆化存储，以便下次需要同一个子问题解之时直接查表。这种做法在重复子问题的数目关于输入的规模呈指数增长时特别有用。
　　关于动态规划最经典的问题当属背包问题。

算法步骤：

　　1.最优子结构性质。如果问题的最优解所包含的子问题的解也是最优的，我们就称该问题具有最优子结构性质（即满足最优化原理）。最优子结构性质为动态规划算法解决问题提供了重要线索。

　　2.子问题重叠性质。子问题重叠性质是指在用递归算法自顶向下对问题进行求解时，每次产生的子问题并不总是新问题，有些子问题会被重复计算多次。动态规划算法正是利用了这种子问题的重叠性质，对每一个子问题只计算一次，然后将其计算结果保存在一个表格中，当再次需要计算已经计算过的子问题时，只是在表格中简单地查看一下结果，从而获得较高的效率。

(1)划分阶段：按照问题的时间或空间特征，把问题分为若干个阶段。在划分阶段时，注意划分后的阶段一定要是有序的或者是可排序的，否则问题就无法求解。
(2)确定状态和状态变量：将问题发展到各个阶段时所处于的各种客观情况用不同的状态表示出来。当然，状态的选择要满足无后效性。
(3)确定决策并写出状态转移方程：因为决策和状态转移有着天然的联系，状态转移就是根据上一阶段的状态和决策来导出本阶段的状态。所以如果确定了决策，状态转移方程也就可写出。但事实上常常是反过来做，根据相邻两个阶段的状态之间的关系来确定决策方法和状态转移方程。
(4)寻找边界条件：给出的状态转移方程是一个递推式，需要一个递推的终止条件或边界条件。

形象图：

代码展示：

最简单的台阶问题：有n级台阶，一个人每次上一级或者两级，问有多少种走完n级台阶的方法？

由分析可知：n阶台阶，只可能是从n-1或是n-2的台阶上走上来的，台阶n的阶段依赖的是n-1和n-2的子阶段，所以状态转移方程为dp[n] = dp[n-1] + dp[n-2]，属于最简单的动态规划问题。

#include <iostream>  
  
#define N 20        //台阶数为20  
using namespace std;  
  
int dp[N];          //全局数组，存放决策表  
  
int fun(int n)      //返回台阶数为n的走法  
{  
    if (n == 1 || n == 2)  
    {  
        return n;  
    }  
    dp[n-1] = fun(n-1);        //若不为1或2则进行递归计算  
    dp[n-2] = fun(n-2);  
    dp[n] = dp[n-1]+dp[n-2];   //状态转移方程  
    return dp[n];  
}  
  
int main(int argc,char** argv)  
{  
    fun(N);  
    cout<<dp[15]<<endl;        //输出15阶的走法  
    system("pause");  
    return 0;  
}  

小结：

- 保持激情以及积极心态。只有激情，你才有动力，才能感染自己和其他人。 
- 做事专注。抓准一个点，然后像钉子一样钻下去，做深做透。