动态规划-01-思维过程

动态规划思路整理：

1. 首先，动态规划问题的一般形式就是【求最值】。比如求最长递增子序列呀，最小编辑距离等。
2. 既然是要求最值，核心问题是什么呢？求解动态规划的核心问题是【穷举】。因为要求最值，肯定要把所有可行的答案穷举出来，然后在其中找最值。
3. 动态规划的穷举有点特别，因为这类问题存在【重叠子问题】，如果暴力穷举的话效率会极其低下，所以需要【备忘录】或者【DP table】来优化穷举过程，避免不必要的计算。
4. 确定【最优子结构】，列出【状态转移方程】
   

考虑能否将问题规模减小，思考如何由较小规模问题的解获得最终问题的解

总结： 解决动态规划问题最难的地方有两点：

• 如何定义 f(n)
• 如何通过 f(1), f(2), … f(n - 1)推导出 f(n)，即状态转移方程

1. 递归

有了状态转移方程，实际上已经可以直接用递归进行实现了。

int f(vector<int>& nums, int i)
{
    int a = 1;
    for(int j = 0; j < i; ++j)
    {
        if(nums[j] < nums[i])
        ¦   a = max(a, f(nums, j) + 1);
    }
    return a;
}

2. 自顶向下（记忆化）

递归的解法需要非常多的重复计算，如果有一种办法能避免这些重复计算，可以节省大量计算时间。记忆化就是基于这个思路的算法。在递归地求解子问题 f(1)f(1), f(2)f(2)… 过程中，将结果保存到一个表里，在后续求解子问题中如果遇到求过结果的子问题，直接查表去得到答案而不计算。

int f(vector<int>& nums, int i, vector<int>& dp)
{
    if(dp[i] != -1) return dp[i];
    int a = 1;
    for(int j = 0; j < i; ++j)
    {
        if(nums[j] < nums[i])
        ¦   a = max(a, f(nums, j) + 1);
    }
    dp[i] = a;
    return dp[i];
}

对于这种将问题规模不断减少的做法，我们把它称为自顶向下的方法。

3. 自底向上（迭代）

在自顶向下的算法中，由于递归的存在，程序运行时有额外的栈的消耗。

有了状态转移方程，我们就知道如何从最小的问题规模入手，然后不断地增加问题规模，直到所要求的问题规模为止。在这个过程中，我们同样地可以记忆每个问题规模的解来避免重复的计算。这种方法就是自底向上的方法，由于避免了递归，这是一种更好的办法。

但是迭代法需要有一个明确的迭代方向，例如线性，区间，树形，状态压缩等比较主流的动态规划问题中，迭代方向都有相应的模式。参考后面的例题。但是有一些问题迭代法方向是不确定的，这时可以退而求其次用记忆化来做。