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