基本思想
动态规划是一种将问题实例分解为更小的,相似的子问题,并存储子问题的解,使得每个子问题只求解一次,最终获得原问题的答案,以解决最优化问题的策略。
引用:https://blog.csdn.net/u013250416/article/details/80558542
用一个例子来看一下 递归,记忆化搜索,动态规划的区别
斐波那契数列:f(i)=f(i−1)+f(i−2),i>=3
1. 递归。有大量的重复计算
int f(int n)
{
if(n == 1 || n == 2)return 1;
else return f(n - 1) + f(n - 2);
}
2. 记忆化。也就是在递归的基础上,把每一步的结果存储起来,不用重复计算。
const int N = 10000;
long long f[N];
long long foi(int n)
{
if(f[n] != 0)return f[n];
if(n == 1 || n == 2)return 1;
else return f[n] = foi(n-1) + foi(n-2);
}
3. 动态规划。自底向上解决问题。所有的记忆化搜索问题一定可以转化成动态规划。
void dp()
{
f[1] = 1;f[2] = 1;
for(int i = 3;i <= n ;i ++)
f[i] = f[i-1] + f[i-2];
}
适用情况:
1.最优子结构:即当前问题的最优解取决于子问题的最优解。 比如:“不同路径,爬楼梯“
2.无后效性:即子问题的解一旦确定,就不再改变。比如:不同路径,爬楼梯。
3.子问题重叠: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。参照上边斐波那契数列的例子。
动态规划解决问题的步骤:
1.寻找最优子结构(状态表示)
2.归纳状态转移方程(状态计算)
3.边界初始化