常用算法整理：动态规划上

什么是动态规划

动态规划是应该不能叫 一种算法，而应该叫 一类算法 或者 说是 一种思想。它和 二分查找 这种算法是不同的，二分查找我们可以用代码表示出来，并且解决所有问题的思路几乎都是一样的。而动态规划其实无法用代码表示出来，每一种问题的解决方法可能用代码写出来都不一样，所以只看动态规划的定义是很难理解的，需要拿多个题目联系才能真正理解。

动态规划的特点就是把一个大的问题分解为若干个小问题，并且这些小问题之间，每一个小问题都可通过前面的小问题计算出来。通常这些小问题其实都是一个具体的状态。如果一个问题可用动态规划解决，那么需要满足如下特点：

1. 该问题可以分解为 dp[0], dp[1], … , dp[n] 个状态，最终的答案是其中一个状态，一般是 dp[n]。（或者dp[n][m] 等更多维度，我们这里只拿一维来说）
2. 其中 dp[i] 可以通过 dp[0] ~ dp[i-1] 或者 `dp[i+1]~dp[n] 计算出来。

如果只看定义的话，会发现DP一定是可以通过分治法的方式来解决的。那么为什么还需通过DP算法来解决呢，因为很多时候分治法算法会有大量的重复计算，而动态规划由于记录了状态，时间复杂度会有大幅下降。很多时候时间复杂度可以从 O(2^n) 降低到 O(n^2) 。如果分治法加上一个Cache来缓存已经计算过的节点，那么他的时间复杂度和DP就是一样的了，其实 DP = DC + Cache。

从上面的两个特点就可以看出来，DP 问题的难点有两个：

1. 如果定义 dp[i]，即如何拆分问题，定义状态
2. 如何计算 dp[i]，即通过之前的状态如何计算下一个状态

除了这两个难点之外，还有一点就是要处理初始值 以及可能的边界溢出问题。

另外，如果题目是要求给出所有解，肯定不用DP。DP 一般是求 最优解或者解法数。

简单的动态规划

最简单的一种动态规划，参见这一题： https://leetcode.com/problems/triangle/

这里我们用一个和题目中给出的 triangle 一样的数组 dp 来存储状态。解决上面说到的两个难点：

1. 如果拆分问题？其实这里 dp[i][j] 就表示跳转到 triangle[i][j] 这个点所需要的最短路径。
2. 如果计算 dp[i][j] ？dp[i][j] 其实就是取他的上层的临近节点中的比较小的一个 dp[i][j] = Math.min(last[j-1], last[j])+t[j]

然后再把边界条件处理一下，这个问题就可以解决了。代码如下：

var minimumTotal = function(triangle) {
    if(!triangle.length) return 0;
    var dp = [triangle[0]];
         //注意这里处理的初始值

    for(var i=1;i<triangle.length;i++) {
        var last = dp[i-1];
        var r