DP思想总结收集+实例：走台阶问题

图片来源：各大CSDN博主博客，视频，以及程序员小灰（微信公众号）

 

动态规划（dynamic programming）思想 

朴素递归算法之所以效率很低，是因为它反复求解相同的子问题。因此，动态规划方法仔细安排求解顺序，对每个子问题只求解一次，并将结果保存下来。如果随后再次需要此子问题的解，只需查找保存的结果，而不必重新计算。因此，动态规划方法是付出额外的内存空间来节省计算时间，是典型的时空权衡的例子。而时间上的节省可能是非常巨大的：可能将一个指数时间的解转化为一个多项式时间的解。如果子问题的数量是输入规模的多项式函数，而我们可以在多项式时间内求解出每个子问题，那么动态规划方法的总运行时间就是多项式阶的。 

 

*******动态规划一定要找递推公式！！！******* 

 

https://www.zhihu.com/question/23995189 

 

对于DP的各种理解： 

动态规划的核心是定义状态和状态转移方程（注意，关键在于定义方程而非关注递推式的求解方法） 

动态规划就是 使用递归的思路 找到正确的算法步骤使得得到正确的解，然后使用迭代的方式写出来。（如此便验证了那句自顶向下的考虑问题，自底向上的解决问题） 

 

上图中最右边流程即为递归，左边为迭代（递归的思考，迭代的解决） 

          

 

 

 

 

 

动规中三个重要概念： 状态转移方程  边界   最优子结构 

 

动态规划走台阶： 

 

有一座高度是10级台阶的楼梯，从下往上走，每跨一步只能向上1级或者2级台阶。要求用程序来求出一共有多少种走法。 

 
 

比如，每次走1级台阶，一共走10步，这是其中一种走法。我们可以简写成 1,1,1,1,1,1,1,1,1,1。 

再比如，每次走2级台阶，一共走5步，这是另一种走法。我们可以简写成 2,2,2,2,2。 

 

 我们想走到10，如果一次只能走一步或走两步。那么，不考虑之前的台阶。想走到10只有从9走一步或从8走两步。（这便是重构解，把大问题划分为小问题。） 

此时我们假设  从0-9 一共有X种走法  那么此时的从0-10 也是X中走法 

而0-8一共有Y种走法  那么在所有情况上再加两步到10  还是Y中走法  

 

所以 最后走到10步一共有X + Y种走法 

 

   

 

 

 

 

 

那么  从这一步我们便可以得出一个结论。 

 

0-10级台阶的走法数量 = 0-9级台阶的走法数量 + 0-8级台阶的走法数量 

 

F（10） = F（9） + F（8）（F9  F8 分别是10的最优子结构） 

 

同理 F（9） = F（8） + F（7）      F（8） = F（7） + F（6） 

 

而且当台阶有两级的时候有两种走法 当台阶为1时只有1种走法 

 

由此可以归纳出  

F（1） = 1 

F（2） = 2    //  1 和 2 是边界 

F（n） = F（n - 1） + F（n- 2）（n >= 3）  //状态转移方程 

 

//以上便是问题建模   接下来是求解部分 

若 简单的使用递归求解，则会造成大量重复计算问题。 

 

 

 

由此可以看出大量重复计算 

 

那么 ，如何解决？  可以把结果都放在一个数组里，这个数组被称为备忘录，也可以如下：使用一个哈希。 

 

 

 

基于哈希的递归： 

 

如此 时间空间复杂度便都是o（n） 

 

但这还不是真正的动态规划实现。时间复杂度已经不能再小了，那么能不能把空间复杂度进一步缩小？ 

 

这便验证了DP的又一个特点：自顶向下的分析问题，自底向上的求解问题。 

 

那么 ： 

 

如此变成了o（1）的空间复杂度