记忆化搜索到动态规划

以LeetCode 上的「1575. 统计所有可行路径」为例

记忆化搜索

缓存器的设计十分简单，使用二维数组cache[][]进行记录即可。

我们用cache[i][fuel]代表从位置 i 出发，当前剩余的油量为 fuel 的前提下，到达目标位置的「路径数量」。

之所以能采取「缓存中间结果」这样的做法，是因为「在 i 和 fuel 确定的情况下，其到达目的地的路径数量是唯一确定的」。

动态规划

dfs方法签名设计

int dfs(vector<int>& ls, int u, int end, int fuel) {}

其中ls参数和end参数在整个DFS过程中不会变化，属于不变参数；

而u和fuel则代表了DFS过程中的当前位置和当前油量，属于变化参数；

因此我们可以定义一个二维数组dp[][]来分别表示两个可变参数；

第一维代表当前位置，第二维代表当前剩余油量；

二维数组中储存的就是DFS方法返回的值（路径数量）；

如此一来便可得到「动态规划」的「状态定义」；

dp[i][j]代表从 i 位置出发，当前剩余油量为 j 的前提下，到达目的地的路径数量；

不知道你是否发现，这个「状态定义」和我们「记忆化搜索」中的缓存器的定义是一致的。

接下来我们要从 DFS 中”翻译“出「状态转移方程」。

所谓的「状态转移方程」其实就是指如何从一个状态转移到另外一个状态。

而我们的 DFS 主逻辑就是完成这个转移的。

DFS 中的主逻辑很简单：枚举所有的位置，看从当前位置 u 出发，可以到达的位置有哪些。

于是我们很容易就可以得出状态转移方程：

dp[i][fuel]=dp[i][fuel]+dp[k][fuel-need]；

k代表计算位置 i ，油量 fuel 的状态时枚举的「下一位置」，need 代表从 i 到达 k 需要的油量；

从状态转移方程可以发现，在计算dp[i][fuel]的时候依赖于dp[k][fuel-need]；

其中 i 与 k 并无严格的大小关系，而 fuel 和 fuel 和 need 具有严格的大小关系（fuel>=fuel-need）

因此我们需要先从小到大枚举油量这一维。

至此，我们只利用 DFS 的方法签名与主逻辑，就写出了「动态规划」解法。

总结：

1. 从 DFS 方法签名出发。分析哪些入参是可变的，将其作为 DP 数组的维度；将返回值作为 DP 数组的存储值。

2. 从 DFS 的主逻辑可以抽象中单个状态的计算方法。

其中第一点对应了「动态规划」的「状态定义」，第二点对应了「动态规划」的「状态方程转移」。