【Dp】动态规划核心思路详解

动态规划核心思路详解

动态规划（Dynamic Programming，简称 DP）是解决最优化问题的一种重要算法思想。它通过将原问题分解为多个子问题，逐步求解子问题，最终合并子问题的解来解决原问题。动态规划在解决具有重叠子问题和最优子结构性质的问题上非常高效，常用于路径规划、背包问题、序列问题等领域。

在本文中，我们将深入分析动态规划的核心思路、应用步骤，并通过经典实例来理解其应用。

一、动态规划的核心思路

动态规划的核心思想是记忆化和递推。不同于直接递归，动态规划通过将已经解决过的子问题的结果存储起来，避免了重复计算。这种方法显著提高了算法效率，尤其在处理重复计算的情况下表现优异。

1.1 两个重要性质

在使用动态规划解决问题时，通常需要满足以下两个性质：

1. 重叠子问题：原问题可以分解为若干个子问题，并且子问题之间有重复。例如，斐波那契数列中的 F(n) 依赖于 F(n-1) 和 F(n-2)，这两个子问题在计算过程中会反复出现。

2. 最优子结构：问题的最优解可以通过子问题的最优解来得到。例如，最短路径问题中，从起点到终点的最短路径可以通过中间节点的最短路径推导出整体路径的最优解。

1.2 动态规划与分治的区别

动态规划与分治的主要区别在于子问题是否重叠。分治算法通常将问题分解为独立的子问题，而动态规划解决的是有重叠子问题的情况。通过“记忆化”技术，动态规划可以避免对同一子问题的多次重复计算。

1.3 动态规划的解题思路

动态规划的解题流程通常遵循以下步骤：

1. 确定状态：定义状态表示子问题。状态通常是问题规模的简化形式。例如，在最短路径问题中，状态可以是节点与节点之间的距离。

2. 确定状态转移方程：找到状态之间的关系，即从某个状态如何转移到下一个状态。这一步是动态规划的核心，通过递推来表示不同状态之间的联系。

3. 确定初始条件和边界条件：设置动态规划的起始条件，通常是问题的最基础状态。例如，在斐波那契数列中，F(0) 和 F(1) 是已知的初始条件。

4. 计算最终结果：通过递推关系计算出最终结果。

二、动态规划的分类

动态规划问题通常可以分为两大类：

2.1 线性动态规划

线性动态规划是问题的状态转移过程呈线性递进的情况，每个状态仅依赖于前面的有限个状态。常见的例子包括斐波那契数列、最长递增子序列等。

斐波那契数列

斐波那契数列的定义如下：

[
F(n) = F(n-1) + F(n-2)
]

初始条件为 F(0) = 0, F(1) = 1。直接使用递归会导致大量重复计算，而动态规划可以通过存储中间结果来优化这一过程。

动态规划的实现：

public int fib(int n) {
   
    if (n <= 1) return n;
    int[] dp = new int[n + 1];
    dp[0] = 0;
    dp[1] = 1;
    for (int i = 2; i <= n; i++) {