关于一维/二维数组动态规划的思考(javaScript角度)

动态规划思想是从运筹学上渗透下来的，用来求解某种有最优性质解的问题。首先得满足三大性质：

1.最优解原理，问题包含的最优解子问题也是最优的

2.无后效性，即是先前状态的确定后，将不会再受之后状态的影响。

3.有重叠子问题，先前状态的解在之后会被用到(但是这个不是必需的)

因此，解题的步骤也比较有“技巧性”的分为几步：

划分阶段：按照问题的时空特征，将问题划分为有序的几个阶段。

确定状态变量：将各个阶段用不同的状态表示出来，一般使用数组dp[i]来模拟。

写出状态转移方程：根据上一阶段的状态（找出能构成推到的条件）推导出本阶段的状态。

寻找边界条件：状态方程的边界条件。

那么针对具体的例子怎么运用呢？

在具体的问题上面的话，js一般会用一维数组，二维数组的方式来模拟运算过程。首先来看几个例子。

 

1.斐波拉契数列问题，常规递归的方式就不过多谈论了。

function fn(n){
    let dp=[]
    dp[0]=0
    dp[1]=1
    for(let i=2;i<=n;i++){
        dp[i]=dp[i-1]+dp[i-2]
    }
    return dp[n]
}

状态转移方程就是dp[i]=dp[i-1]+dp[i-2]

2.最长递增子序列

可以去最长递增子序s上面去解一解。运用提上所说的三板斧，划分阶段，可以想见数组中的每一项都是一个新的阶段。确定状态变量，就是针对每个阶段的dp[i]。最核心的永远都是关于状态转移方程的求解。

可以想见的是两层循环(两层循环很常见，因为要有两个变量以及一个推到过程)。dp[i]的含义就是记录到第i个数为止的最长递增子序列个数，为了后面的计算服务。当dp[i]>dp[j]的时候，至少就是dp[j]+1,但是此时