用空间换取时间——浅谈动态规划

灵感

递归能够解决的问题，说白了就是能分解为许多个相同类型的规模更小的子问题的问题，其实就是一种分治思想，递归只是其中的一种实现手段而已。而当存在着大量重复子问题的时候，单纯的递归效率确实太低了，所以这种情况下，若仍想使用递归，就必须使用带备忘录的递归。那么，是否存在一种非递归，也就是迭代的实现方法呢？
没错，它就是我们今天的主角——动态规划。

初识

我们先来回顾一下带备忘录的递归——将每次计算的结果储存起来，下次若再次遇到，则只需直接从记忆表中提取即可。这是一种用空间换取时间的方法，显然，这是十分正确有效的方法，毕竟，空间不足尚可弥补，时间不足那就真的没办法了。
不难发现，既然要将结果储存在一张表内，那么是不是可以采用迭代的方式直接将这张表的元素全部算出来呢？答案显然是肯定的，而这样直接利用迭代的方式将整张表全部算出来的方式，就是动态规划。

实现

仍然利用斐波那契数列的例子，动态规划的实现如下：

int F(int n) {
	vector<int> dp(n + 1, 1);	//创建dp数组用来储存计算结果
	for (int i = 3; i <= n; ++i) {	//从3一直算到n，并储存在表内
		dp[i] = dp[i - 1] + dp[i - 2];	//根据递推关系（在动态规划中称为状态转移方程）计算表中当前值
	}
	return dp[n];	//从表中取得所需要的值并返回
}

一般来说实现动态规划之前需要如下准备：

1.确认状态
2.确认状态转移方程

什么是状态？
状态就是指dp[n]意味着什么，比如这里的dp[n]就意味着斐波那契数列中的第n项。
什么是状态转移方程？
与递推关系式类似，就是指如何用之前表中计算得到的状态来得到当前状态（状态转移）的关系式。
如这里就是dp[n] = dp[n - 1] + dp[n - 2];

深入

我们之前说过，动态规划是用空间来换取时间，但事实上最终真正用到的往往只是表中的某个状态而已（往往是尾部），而且，表中所有状态最终都是由最基本的两个状态决定的。那么，是否能压缩空间，让空间复杂度也进一步缩小呢？
一般情况下，可以采用以下这种方式：

int F(int n) {
	int pre1 = 1, pre2 = 1, cur;	//首先用pre1和pre2记录所有基态，并用cur记录当前状态
	for (int i = 3; i <= n; ++i) {
		cur = pre1 + pre2;	//利用状态转移方程与之前计算得到的状态算出当前状态
		pre1 = pre2;	//更新状态pre1，这里pre1是cur前距离cur为2的状态
		pre2 = cur;	//更新状态pre2，这里pre2是cur前一个状态
	}
	return n < 3 ? 1 : cur;	//返回当前状态，也就是最终状态，但若所求状态即为基态，则可直接返回基态的值即pre1或pre2，当然本题也可以取巧，设cur初值为1，直接返回cur
}

显然，空间复杂度由原来的O(n)变为了O(1)。