动态规划总结

动态规划三要素

1、最优子问题

F(10)=F(9)+F(8)，就是F(10)的最优子问题，局部贪心完美的将问题分解，如果得到的F(9)和F(8)都是最优解，F(10)一定也是最优解。

2、边界条件

分解到最后一定变成了规模最简单的问题，即F(1)和F(2)这两个问题，不能再分解，不过没关系，他们很简单，用你的小心心算就OK了。

3、状态转移方程（DP方程）

假设状态转移方程为F(n)=F(n-1)+F(n-2)，这就是解决问题的核心，使得状态能够动起来。

备忘录

在动态规划过程中，类似于回溯法中对中间结果进行存储，确保已计算过的结果就不再重复计算，减少运算量。

动态规划和分治法的区别

动态规划计算的过程中有重复计算的部分，这部分我们把它记录下来，避免重复计算，如果没有这部分重复，它就退化成分治算法了。

核心（DP方程）

1、最优子问题

DP方程是从最优子问题中鬼哪来的，什么算是最优子问题呢？就是不管之前的决策是否是最优决策，都必须保证从现在开始的决策是在之前的基础上最优，具体的说，我们默认F(8)、F(9)是最优，在此基础上，得到最优解F(10)。

2、不影响后续决策

由于上一条我们看到，如果F(8)的决策会影响到F(9)和F(10)，那么F(10)=F(8)+F(9)就不成立了。所以一定要保证，每个阶段的决策仅受之前决策的影响，但不影响之后的决策。

最长子序列问题

给出字符串S1和S2，判断S1和S2中最长的相等字符串长度是多少。

解题逻辑

本题主要考虑两种场景

1、字符串相等时，F(n)=F(n-1)+1

2、字符串不相等时，F(n)=F(n-1)

动态规划代码实现

    private static int theLongestSubSequence(String s1, String s2) {
        int n = s1.length(), m = s2.length();
        int[][] dp = new int[n + 1][m + 1];
        for (int i = 0; i <= n; i++) {
            for (int j = 0; j <= m; j++) {
                dp[i][j] = 0;
            }
        }
        for (int i = 1; i <= n; i++) {
            for (int j = 1; j <= m; j++) {
                if (s1.charAt(i - 1) == s2.charAt(j - 1)) {
                    dp[i][j] = dp[i - 1][j - 1] + 1;
                } else {
                    dp[i][j] = dp[i - 1][j] > dp[i][j - 1] ? dp[i - 1][j] : dp[i][j - 1];
                }
            }
        }
        return dp[n][m];
    }