动态规划方法

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