动态规划(dp)

一、动态规划求解步骤及使用条件

1. 将原问题分解为子问题

• 需要将原问题分解为若干个子问题，子问题与原问题形式相同或类似。但规模变小。子问题都解决，原问题解决。
• 子问题一旦求出就会被保存，所以每个子问题只需要解一次。

2. 确定状态

• 将子问题相关的各个变量的一组取值，称之为一个“状态”。一个状态对应于一个或多个字问题，某个状态下的值就是这个状态所对应的子问题的解。
  所有状态的集合构成问题的“状态空间”。状态空间的大小与用动态规划解决问题的时间复杂度直接相关。

3. 确定初始状态的值
   最小子问题的解，无需计算就可得出，通常是递归的边界条件。
4. 确定状态转移方程
   如何从一个或多个已知的“状态”的“值”求出另一个状态的值（“人人为我”递推型）。状态转移可以用递推公式表示，也称为状态转移方程。

二、 动态规划适用条件

1. 问题具有最优子结构性质。如果问题的最优解所包含的子问题也是最优的，称问题具有最优子结构性质。
2. 无后效性。当前若干个状态值一旦确定，则后过程的演变只和这若干个状态值有关，和之前如何演变到该状态无关。

三、常见子问题分解形式和状态转移形式

1. 将原问题根据问题规模N进行子分解

典型问题：打家劫舍、 删除并获得点数、爬楼梯、斐波那契问题

打家劫舍
你是一个专业的小偷，计划偷窃沿街的房屋。每间房内都藏有一定的现金，影响你偷			窃的唯一制约因素就是相邻的房屋装有相互连通的防盗系统，如果两间相邻的房屋在同一晚上被小偷闯入，系统会自动报警。
给定一个代表每个房屋存放金额的非负整数数组，计算你 不触动警报装置的情况下 ，一夜之内能够偷窃到的最高金额。
示例 1：
输入：[1,2,3,1]
输出：4
解释：偷窃 1 号房屋 (金额 = 1) ，然后偷窃 3 号房屋 (金额 = 3)。
偷窃到的最高金额 = 1 + 3 = 4 。
示例 2：
输入：[2,7,9,3,1]
输出：12
解释：偷窃 1 号房屋 (金额 = 2), 偷窃 3 号房屋 (金额 = 9)，接着偷窃 5 号房屋 (金额 = 1)。
 偷窃到的最高金额 = 2 + 9 + 1 = 12 。

子问题：（思路）问题分解将规模N将低，f(n)表示n个房间可获得的最大值。第n个房间有两种情况拿或不拿，对应f(n-1)和f(n-2)两个子问题，取两者最大值。

f(n) = max{ f(n-1) , f(n-2) + money[n] }//状态转移方程
f(0) = 0,f(1) = money[1];//初始状态
//至此我们根据f(0),f(1)+状态转移方程逐步向后推算就可解出f(n)。

2. 根据原问题位置或问题解构成形式分解子问题

典型问题：不同路径、最长回文子串

最长回文子串
给你一个字符串 s，找到 s 中最长的回文子串。

如果字符串的反序与原始字符串相同，则该字符串称为回文字符串。
示例 1：

输入：s = "babad"
输出："bab"
解释："aba" 同样是符合题意的答案。
示例 2：

输入：s = "abababa"
输出："abababa"

子问题：这时如果我们参考降低字符串长度N规模来分解子问题就会暴露问题。f(n)与f(k),k<n并无关系f(n)为子回文串则f(k)明显不是。观察abababa,babab,aba,b这些字串，变化发生在两侧这时需要两个变量来记录。用i和j来模拟串长两端变化，f(i,j)表示求字符串i,j之间的回文串，则

dp(i，j) = dp( i+1 , j-1 ) && s[i] == s[j] //状态转移方程
j-1 - (i+1) + 1 < 2，得 j - i < 3 //初始条件,表示子串是单字符一定是回文串

求解过程类似填写一张二维表格，需要注意的是与寻常遍历i，j不同因为dp[i][j]根据dp[i+1][j-1]推出，即表格左下方元素，如果我们先填第一行、第二行，则在dp[0][3]时dp[1][2]并未计算。故正确的填写顺序为沿对角线从上到下填写。对应的是以2为长度的回文子串、3的回文子串。

Tips:输出结果：我们需要在遍历过程中就记录最长子串长度和起始位置。避免填写表格后再遍历找最长字串，类似在求解过程附带打擂台。

本文旨在提供解题的思路故不放程序源代码，题目皆出自leetcode感兴趣的朋友可以去leetcode查找。