1.贪心算法&动态规划

https://zhuanlan.zhihu.com/p/76164082

https://zhuanlan.zhihu.com/p/91582909

0.生成一个2*5的二维矩阵

dp=[[0]*2]*5

1.贪心算法

把问题拆解成多个小问题，然后求小问题的最优解，合并起来当做整个问题的解。

1.1贪心算法的三步走！

第一步

明确到底什么是最优解？明确下来之后用小本本记下来！

第二步

明确什么是子问题的最优解？再用小本本记下来！

第三步

分别求出子问题的最优解再堆叠出全局最优解？

1.2下面我总结一下使用贪心算法的前提：

1、原问题复杂度过高；

2、求全局最优解的数学模型难以建立；

3、求全局最优解的计算量过大；

4、没有太大必要一定要求出全局最优解，“比较优”就可以。

1.3分解方式

按串行任务分

时间串行的任务，按子任务来分解，即每一步都是在前一步的基础上再选择当前的最优解。（股票问题）

    def maxProfit(self, prices):

        #贪心 如果增加就加入利润
        temp=0
        for  i in range(1,len(prices)):
            if prices[i]-prices[i-1]>0:
                temp+=prices[i]-prices[i-1]

        return temp

按规模递减分

规模较大的复杂问题，可以借助递归思想（见第2课），分解成一个规模小一点点的问题，循环解决，当最后一步的求解完成后就得到了所谓的“全局最优解”。（0-1背包问题）

def  Greedy(weights,values,lable):
    #1.最优解是重量范围内价值最大
    #2.选择最大价值的
    newvalues=values.copy()
    c=0
    l=len(values)
    for _ in range(l):
        i=values.index(max(values))
        if c+weights[i]<=lable:
            c=c+weights[i]
            values.pop(i)
            weights.pop(i)
    print([i for i in newvalues if i not in values] )

按并行任务分

这种问题的任务不分先后，可能是并行的，可以分别求解后，再按一定的规则（比如某种配比公式）将其组合后得到最终解。

2.动态规划

动态规划往往使用表格来存储中间结果

2.1步骤

第一步骤：定义数组元素的含义，上面说了，我们会用一个数组，来保存历史数组，假设用一维数组 dp[] 吧。这个时候有一个非常非常重要的点，就是规定你这个数组元素的含义，例如你的 dp[i] 是代表什么意思？

第二步骤：找出数组元素之间的关系式，我觉得动态规划，还是有一点类似于我们高中学习时的归纳法的，当我们要计算 dp[n] 时，是可以利用 dp[n-1]，dp[n-2].....dp[1]，来推出 dp[n] 的，也就是可以利用历史数据来推出新的元素值，所以我们要找出数组元素之间的关系式，例如 dp[n] = dp[n-1] + dp[n-2]，这个就是他们的关系式了。而这一步，也是最难的一步，后面我会讲几种类型的题来说。

第三步骤：找出初始值。学过数学归纳法的都知道，虽然我们知道了数组元素之间的关系式，例如 dp[n] = dp[n-1] + dp[n-2]，我们可以通过 dp[n-1] 和 dp[n-2] 来计算 dp[n]，但是，我们得知道初始值啊，例如一直推下去的话，会由 dp[3] = dp[2] + dp[1]。而 dp[2] 和 dp[1] 是不能再分解的了，所以我们必须要能够直接获得 dp[2] 和 dp[1] 的值，而这，就是所谓的初始值。

由了初始值，并且有了数组元素之间的关系式，那么我们就可以得到 dp[n] 的值了，而 dp[n] 的含义是由你来定义的，你想求什么，就定义它是什么，这样，这道题也就解出来了。