动态规划学习笔记

前言

动态规划问题一直是算法学习中的一个难点问题，但也是一个重点问题。在这次的面试中也遇到了动态规划的相关问题。
本文是对大神labuladong的一篇关于动态规划文章的个人摘要，原文请移步动态规划详解（修订版）。

动态规划三要素

动态规划问题的本质其实就是通过穷举得到一个问题的最优解，只是能够通过动态规划解决的问题都会满足下面三个要素。

重叠子问题

如果单纯使用暴力穷举的话，效率会非常低下，所以动态规划问题常常会用备忘录或者dp table保存计算的中间状态结果。

最优子结构

动态规划问题必须满足最优子结构，这样才能通过子问题的最优解得到目标问题的最优解。

状态转移方程

如何从一个子问题的最优解计算出下一个子问题的最优解，从而最终计算出目标问题的最优解，这中间的计算公式就是我们要找出的状态转移方程。
找出状态转移方程是动态规划问题中最难的一步，下面提供一个找出动态转移方程的思维框架：
明确状态–>明确dp数组/函数的意义–>明确选择–>明确base case

凑零钱问题说明如何找到状态转移方程

给你k种面值的硬币，面值分别为c1, c2 …
ck，每种硬币的数量无限，再给一个总金额amount，问你最少需要几枚硬币凑出这个金额，如果不可能凑出，算法返回 -1 。

先确定状态，也就是原问题和子问题中变化的变量，由于硬币数量无限，所以唯一变化的量就是金额amount。
再确定dp函数的定义，函数dp(n)表示，当前的目标金额是n，至少需要dp(n)个硬币凑出金额。
然后确定选择并择优，*也就是对于每个状态，可以做出什么选择改变当前状态。*具体到这个问题，无论当前的目标金额是多少，选择就是从面额列表中选择一个硬币，然后目标金额就会减少。

伪代码框架
def coinChange(coins:List[int],amount:int)
//定义：要凑出金额n，至少需要dp(n)个硬币
	def dp(n):
		//做选择，需要硬币最少的那个结果就是答案
		for coin in coins:
			res = min(res, 1 + dp(n-coin))
		return res
	//目标金额是amount
	return dp(amount);

最后明确base case，显然目标金额是0时，需要的硬币个数为0；当目标金额小于0时，无解，返回-1：

def coinChange(coins:List[int],amount:int)
//定义：要凑出金额n，至少需要dp(n)个硬币
	def dp(n):
		// base case
		if n == 0: return 0
		if n < 0: return -1
		//求最小解，所以初始化为正无穷
		res = float('INF')
		//做选择，需要硬币最少的那个结果就是答案
		for coin in coins:
			subproblem = dp(n - coin)
			//子问题无解，跳过
			if subproblem == -1:continue
			res = min(res, 1 + subproblem )
		return res if res != float('INF') else -1
	//目标金额是amount
	return dp(amount);

用数学形式表示状态转移方程（是不是很像数学归纳法的写法）：

至此，这个问题已经解决了，只是要解决下重叠子问题。解决重叠子问题的方法，

• 一是通过备忘录的方式，对于子问题的结果优先从备忘录中获取
• 二是用dp table，自底向上的计算子问题

int coinChange(vector<int> &coins, int amount)
{
    //初始化dp table
    //数组大小为amount+1,初始值也为amount+1
    vector<int> dp(amount+1,amount+1);
    //base case
    dp[0] = 0;
    for (int i = 0; i < dp.size(); i++)
    {
        for (int coin : coins)
        {
            //子问题无解，跳过
            if (i - coin < 0) continue;
            dp[i] = min(dp[i - coin] + 1,dp[i]);
        }
    }
    return (dp[amount] == amount + 1) ? -1 : dp[amount];
}
	

动态规划经典问题解析

0-1背包问题

有一个容量为M的背包，有N个物品，物品的重量为wgt[]，物品的价值为val[]，如何装物品可以获得最大价值

首先确定这是一个动态规划的问题，满足动态规划的三个因素。然后按照需要列出动态转移方程，套用上面的四大步骤：

1. 明确状态
   本题的状态是背包的容量和可选的物品还剩多少
2. 确定动态函数/dp数组的含义
   dp数组的维度通常是根据状态的维度来确定的，比如dp[i][w]的含义是对于前i个物品，当背包容量为w时，可以装下的最大价值是dp[i][w]。其实这就是一个中间状态，状态转移的起始点。同时也可以得出base case是dp[0][w] = 0,dp[i][0] = 0。
3. 确定选择和择优
   背包问题的选择就是放入i个物品或者不放入i个物品。择优是在选择之后，背包容量还有剩余，而且价值大于当前价值。