动态规划01

刚刚学习了动态规划的算法，打算写篇文章记录一下。

但是这次并不打算用01背包来做例子，因为觉得这个例子还不够简单，打算把背包问题放到后面去说。

首先呢，动态规划是在对一个问题进行求解，然后使这个问题的解达到全局最优的这么一个算法。

(由于动态规划可以分为递归和非递归的解法，所以下面将分为两部分来讲一道题，首先是递归部分。)

我们来看一个题目：

有以下这么一个数组：arr={1, 2, 4, 1, 7, 8, 3}，我们要从中选择若干个数，使最后的和达到最大。选择的规则是，不能选相邻的数字。比如：如果我们选了第一个数字1，那么我们就不能选2，如果我们选择了数字4，那么我们就不能选择与它相邻的2和1。

对于动态规划的解法，我们可以变成具体到每一个数据，选与不选的问题。

我们把数组从后往前看，例如对于3，我们可以选，也可以不选。如果选了3，那么我们就不能选8，对于选了3的最优解为：opt(4)+3(4为数组下标，3为我们选择的数字)。而对于不选3的最优解为：opt(5)。那么对于每一个下标i，我们就可以得到一个递归式max(opt(i-2)+arr[i],opt(i-1))。既然递归式我们找到了，那么剩下的就是递归出口了。这道题的递归出口很好找，也就是数组的边界，由于我们是把这个数组从后往前看，所以这个递归出口就是arr[0]和arr[1]。当下标为0时，为了求最大值，我们只能选择arr[0]，当下标为1时，我们就选取arr[0]和arr[1]中的最大值。

下面附上代码：

public class Test {
    static int[] arr = {1, 2, 4, 1, 7, 8, 3};
    public static void main(String[] args) {
        int sum = 0;
	System.out.println(opt(sum, arr.length-1));
    }
    public static int opt(int sum, int idx) {
    	if (idx == 0) {
    		return sum+arr[0];
    	}
    	if (idx == 1) {
    		return sum+Math.max(arr[0], arr[1]);
    	}
    	return Math.max(opt(sum+arr[idx], idx-2), opt(sum, idx-1));
    }
}

代码中，我多使用了一个sum来记录最大值。

但是在动态规划这个问题上，用递归来求解这个问题并不是很好。因为比如在我们选了3的时候，我们会得到一个opt(4)+3，从而我们需要计算opt(4)的值，而当我们不选opt(5)和opt(6)的时候，我们又能得到一个opt(4)，这时我们又要再计算一次opt(4)，就造成了一个需要重复计算子问题的问题，使整个计算的规模达到2的n次方。所以我们更多的是使用非递归的算法来解决这个问题。

既然我们已经知道了递归是如何求解的，那么对于非递归的求解就不是很难了，我们开一个数组来存储计算过的opt的值，假设我们开的这个数组叫dp[]。那么对于dp[0]我们前面已经知道，dp[0]的最优解就是arr[0]，而dp[1]的最优解为max(arr[0], arr[1])。那么剩下的数据我们就可以用刚才的递归式子来计算：dp[i] = max(dp[i-2] + arr[i], dp[i-1])。

下面附上代码：

public class Test {
    static int[] arr = {1, 2, 4, 1, 7, 8, 3};
    public static void main(String[] args) {
        int sum = 0;
	System.out.println(dp_opt()[6]);
    }
    public static int[] dp_opt() {
    	int[] dp = new int[arr.length];
    	dp[0] = arr[0];
    	dp[1] = Math.max(arr[0], arr[1]);
    	for (int i=2; i<arr.length; i++) {
    	    dp[i] = Math.max(dp[i-2] + arr[i], dp[i-1]);
    	}
    	return dp;
    }
}