动态规划（二）

上一篇博客讲解了动态规划的定义，这一篇博客主要通过Leetcode上的实例来讲解一下我对动态规划的理解。

1. 剑指 Offer 63. 股票的最大利润
2. 122. 买卖股票的最佳时机 II
3. 123. 买卖股票的最佳时机 III
4. 188. 买卖股票的最佳时机 IV
5. 309. 最佳买卖股票时机含冷冻期
6. 714. 买卖股票的最佳时机含手续费

1. 股票的最大利润

对于千篇一律的解题思路我就不再赘述了（直接上图）！

通过这个实例请你先体会并总结一下动态规划的核心思想！ 是不是觉得自己又行了，继续看下一题！

2. 买卖股票的最佳时机 II

对于千篇一律的解题思路我就不再赘述了（直接上图）！

	// 0：持有现金
	// 1：持有股票
	// 状态转移：0 → 1 → 0 → 1 → 0 → 1 → 0
	// 这两行调换顺序也是可以的
	dp[i][0] = Math.max(dp[i - 1][0], dp[i - 1][1] + prices[i]);
	dp[i][1] = Math.max(dp[i - 1][1], dp[i - 1][0] - prices[i]);
	
	// 说明：
	//    因为不限制交易次数，除了最后一天，每一天的状态可能不变化，也可能转移；
	//    写代码的时候，可以不用对最后一天单独处理，输出最后一天，状态为 0 的时候的值即可。

---

接下来是这篇博客的核心，主要讲解一下通过这个实例我对动态规划的理解！

1. 什么情况下使用动态规划？问题中前 i 天能够获得的最大利润不仅仅是由当天决定，而是与前 i-1 天有关。注意这是应用动态规划的决定性标志。而 前 i-1 天又由第 i -1 天与前 i-2 天有关。拆开来理解，前 i 天由 第 1,2,…,i-1,i 天所有情况决定，前 i -1 天由 第 1,2,…,i-2,i-1 天所有情况决定。依次类推，前 3 天由第 1,2,3 天共同决定。
   
   这就是前面所说的动态规划应用于子问题重叠的情况，动态规划就可以很好地解决这种状态重复的问题。
2. 如何刻画最优解的结构特征？即寻找状态转移方程。问题中前 i 天能够获得的最大利润不仅仅是由当天决定，而是与前 i-1 天有关。 如果你知道该问题需要使用动态规划解决，那么你也必定知道这句话的大意。但是究竟如何去寻找状态转移方程呢？注意：动态规划 dp[i] 研究的是前 i 天能够获得的最大利润，是前 i 天的最优解，是一系列子问题的最优解组成，因此必然是以递归的形式刻画这种结构特征。最简单形式的递归为 x = fun(x)。

---

回到本题
前 i 天能够获得的最大利润与前 i-1 天的 现存余额 与 持有股票 有关（因为允许多次买卖，可能已经买卖过一次了，因此存在余额与持有股票说法）。所以本题难点在于与过去两个状态有关。
假设cash为现存余额，hold为持有股票，目的是希望现存金额最大，所以在考虑前 i 天的现存余额时，必然是考虑今天的股票是该买还是该卖，如何衡量该买还是该卖？拿前 i-1 天的现存余额与卖掉这只股票相比取其较大值。（ 有同学会问，为什么不拿卖掉股票与不卖掉股票相比，而是拿其与现存金额相比？ 其实选择现存金额就是表示不卖掉该只股票，而选择卖掉股票就表示买了前面某一天的股票，当然今天这一只是否买入是由后面某天股票价格决定。说实话，靠文字叙述理解起来确实有点难>_< ）。于是有：
cash[i] = max(cash[i - 1], hold[i - 1] + prices[i]); // 这里取最大值是希望现存金额较大，即在高价时卖出
hold[i] = max(hold[i - 1], cash[i - 1] - prices[i]); // 这里取最大值是希望花出去的成本小，即在低价时买入

---

3. 如何定义最优解的值？最优解即为最终的状态值。在动态规划问题中，一般定义 dp[i] 为前面一些列状态的最优解。

4. 如何计算最优解的值?一般采用自底向上的方式计算，即先计算最简单的子问题，如本题中第二天的股票是否买卖。（这个点细究起来有很多可玩的东西，今天没时间写了，有时间再更新！）
   cash[1] = max(cash[0], hold[0] + prices[1]) = max(0, -7+1)
   hold[1] = max(hold[0], cash[0] - price[1]) = max(-7, 0-1)

---

有同学问为什么这样就能得到全局最优解？
这就是贪心与动态规划的联系，本节不做详细讲解。
“贪心算法” 在每一步总是做出在当前看来最好的选择（局部最优解），我们只是寄希望这样的选择能导致全局最优解。

• “贪心算法” 和 “动态规划”、“回溯搜索” 算法一样，完成一件事情，是分步决策的；
• “贪心算法” 在每一步总是做出在当前看来最好的选择， “最好” 的意思往往根据题目而来，可能是 “最小”，也可能是 “最大”；
• 贪心算法和动态规划相比，它既不看前面（也就是说它不需要从前面的状态转移过来），也不看后面（无后效性，后面的选择不会对前面的选择有影响），因此贪心算法时间复杂度一般是线性的，空间复杂度是常数级别的。

这道题 “贪心” 的地方在于，对于 “今天的股价 - 昨天的股价”，得到的结果有 3 种可能：（1）正数（2）0（3）负数。贪心算法的决策是：只加正数。