动态规划入门---最长公共子序列

前言：本来是给我朋友小达人写的，比写作文还认真，这里分享给大家，有不足的地方请多多指教。

动态规划（DP,Dynamic Programming）

​ 我认为动态规划是所有算法中最最重要的，也是最最难的。在我看来它也是真正意义上省时间一种算法，除此之外的其它算法我姑且称之为暴力算法。它主要是用空间来换取时间，这是很值的，因为它将指数级别的时间复杂度直接降为多项式级别。这个寒假搞懂太值了。

定义

​ 动态规划的核心思想就是把原问题分解成若干个子问题进行求解，其利用的就是分治法的思想。但与分治法不同的是，分治法是把原问题分解成若干个子问题，分别解决各个子问题来组合成原问题的解，子问题之间没有相互的关系，是相互独立的。而动态规划中的子问题之间是有联系的，有重叠子问题，根据子问题的解来一步一步地递推出原问题的解，注意是递推而不是分治法的简单的组合。

动态规划问题的特点

​ 先来看个栗子吧。

最长公共子序列问题（LCS）。

​ 子序列是指一串序列中选出几个元素按顺序组成的序列，如because，其中eau、bs、case就是它的一部分子序列，共有2^7-1个，因为为空不算。那么两串序列的最长公共子序列就很好理解了，比如序列A为abcdefghijk和序列B为aahcdekfg，则A和B的最长公共子序列就是acdefg。先假设一般A串为a1,a2,a2,a4…ai,共i个元素（字母），B串为b1,b2,b3…bj，共j个元素。求A和B的最长公共子序列的长度。

分析

​ 先设一个结构C[i,j],它是一个二维数组，你可以把它看出等一张二位表格。前面说过动态规划是用空间来换时间的，而且动态规划的子问题具有重叠性，这张表就是动态规划中所使用的记录重叠子问题的数据结构。接下来的所有操作都是维护这张表，并从这张表中推断出最优解。C[i,j]中i表是A中下标为1_{i的字串，j表示B中下表为1}j的字串，C[i,j]表示a1,a2,a3…ai和b1,b2,b3…bj的最长公共子序列的长度。

1.当i=0或j=0时，有一个串为空，所以C[i,j]=0。

3.当ai=bj时，那么ai就是最长公共子序列中的元素，而且是最后一个，所以最长公共子序列的长度是C[i-1,j-1]+1。

3.当ai!=bj时，那么最长公共子序列就是C[i-1,j]和C[i,j-1]中的最大一个，所以最长公共子序列就是Max(C[i-1,j],C[i,j-1])。

Nice，递推关系式（别人叫状态转移方程，太高大上了，还听不懂，其实就是高中学的递推和分类讨论）找到了。

​ 0 i=0或j=0

C[i,j] = C[i-1,j-1]+1 ai=bj

​ Max(C[i-1,j],C[i,j-1]) ai!=bj

实现

​ 动态规划的实现方式有两种：自底向上和自顶向下。 这里我们先使用最简单容易理解的自顶向下，也叫做备忘录算法，一般使用递归的形式，所以时间上不如自底向上，这里的备忘录就是刚才的那个二维表C，至于为什么叫备忘录待会儿就显而易见了。

​ 递归肯定先定义一个函数了，我们定义函数为fun(i,j)，意义为a1,a2…ai和b1,b2…bj的最长公共子序列的长度，根据我们之前推推导的递推关系式就很容易写出函数体。

//我们先把C那张二维表初始化数据都为-1
public int fun(i,j){
   
    if(i==0||j==0){
          //递归的三要素的出口,i=0或j=0。
        C[i][j]=0;
        return C[i][j];
    }
    else if(C[i][j]!=-1){
    //如果之前C表中有计算过的数据，就直接使用，免去重复计算，也就是重叠子问题，这就叫备忘录。
        return C[i][j];   
    }
    else if(a[i]==b[j]){
     //如果ai=bj。
        C[i][j]=fun(i-1,j-1)+1;
        return C[i][j];
    }
    else{