动态规划--

动态规划（Dynamic Programming，DP）是运筹学的一个分支，是求解决策过程最优化的过程

动态规划与分治方法类似，都是通过组合子问题的解来求解原问题的。再来了解一下什么是分治方法，以及这两者之间的差别。分治方法将问题划分为互不相交的子问题，递归的求解子问题，再将它们的解组合起来，求出原问题的解。而动态规划与之相反，动态规划应用于子问题重叠的情况，即不同的子问题具有公共的子子问题（子问题的求解是递归进行的，将其划分为更小的子子问题）。在这种情况下，分治方法会做许多不必要的工作，他会反复求解那些公共子子问题。而动态规划对于每一个子子问题只求解一次，将其解保存在一个表格里面，从而无需每次求解一个子子问题时都重新计算，避免了不必要的计算工作。

例如
斐波那契 递归算法

#include<iostream>
using namespace std;
long long Fibonacci(unsigned int n)
{
    if(n <= 0)
        return 0;

    if(n == 1)
        return 1;

    return Fibonacci(n - 1) + Fibonacci(n - 2);
}
	int main(){
		unsigned int n;
		cin>>n;
		for(int i=1;i<=n;i++){
			cout<<Fibonacci(i)<<" ";
		}
		return 0;	
	}

非递归 DP思想

#include<iostream>
#include<vector>
using namespace std;

long long  Fibonacci(int n) {
        
    vector<long long int> f(n + 1, 0);
        f[0] = 0;
        f[1] = 1;
        f[2] = 1;
        for (int i = 3; i <= n; i++) //避免子问题重复计算 
        {
            f[i] = f[i - 1] + f[i - 2];
        }
        return f[n];
}

int main(){
	int n;
	cin>>n;
	cout<<Fibonacci(n);
}

适用条件：
任何思想方法都有一定的局限性，超出了特定条件，它就失去了作用。同样，动态规划也并不是万能的。适用动态规划的问题必须满足最优化原理和无后效性 。
最优化原理（最优子结构性质）
最优化原理可这样阐述：一个最优化策略具有这样的性质，不论过去状态和决策如何，对前面的决策所形成的状态而言，余下的诸决策必须构成最优策略。简而言之，一个最优化策略的子策略总是最优的。一个问题满足最优化原理又称其具有最优子结构性质 。
无后效性
将各阶段按照一定的次序排列好之后，对于某个给定的阶段状态，它以前各阶段的状态无法直接影响它未来的决策，而只能通过当前的这个状态。换句话说，每个状态都是过去历史的一个完整总结。这就是无后向性，又称为无后效性 。
子问题的重叠性
动态规划算法的关键在于解决冗余，这是动态规划算法的根本目的。动态规划实质上是一种以空间换时间的技术，它在实现的过程中，不得不存储产生过程中的各种状态，所以它的空间复杂度要大于其他的算法。选择动态规划算法是因为动态规划算法在空间上可以承受，而搜索算法在时间上却无法承受，所以我们舍空间而取时间 。