动态规划学习（35分钟视频课）

1、定义

一种数学优化的方法，同时也是编程的方法。

重要属性：

• 最优子结构 Optimal Substructure
  • • 状态转移方程f{n}
• 重叠子问题（Overlapping Sub-problems）

必须满足以上两个属性才可以归为动态规划问题。

2、例题讲解

2.1、例题1 引入

要求从A到C的最长路径，要求，每个顶点只能出现一次。

A到C的最长距离

• A->B->C
  • A 到 B的最长距离
  • B 到 C的最长距离

最后有一条路径出来了

A->D->C->B->A->D->C

对于这道题而言，没有最佳子结构，所以无法利用动态规划来解题。

2.2、例题2 LeetCode第300题

2.2.1、动态规划方法

题目描述：
给定一个无序的整数数组，找到其中最长上升子序列的长度。
示例:
输入: [10,9,2,5,3,7,101,18]
输出: 4
解释: 最长的上升子序列是 [2,3,7,101]，它的长度是 4。
说明:
可能会有多种最长上升子序列的组合，你只需要输出对应的长度即可。
你算法的时间复杂度应该为 O(n2) 。
进阶: 你能将算法的时间复杂度降低到 O(n log n) 吗?

思路：将问题规模减少，推导出状态转移方程式

来几个直观的图片：

那么这一题，状态转移方程怎么推导呢？

到这里，已经可以证明这个问题是存在最优子结构的，我们继续分析。（emmm这里还有点不懂）

2.2.2、公式法

通过观察得到：

复杂度太高，放弃。

2.2.3、记忆化

时间复杂度分析：

对于这种将问题规模不断减少的做法，我们把它称为自顶向下的方法。

换一种自底向上的方法吧，

老规矩，我们来分析一下时间复杂度吧！

3、动态规划解题难点

• 应该采用什么样的数据结构来保存什么样的计算结果
• 如何利用保存下来的计算结果推导出状态转移方程

3.1、线性规划

1. 线性规划
   • 各个子问题的规模以线性的方式分布。
   • 子问题的最佳状态或结果可以存储在一维线性的数据结构中，例如：一维数组，哈希表等。
   • 通常我们会用dp[i]表示第i个位置的结果，或者从0开始到第i个位置为止的最佳状态或结果。

题目：

求出递归公式：

代码实现：

public int rob(int[] nums) {
    int n = nums.length;
  
    // 处理当数组为空或者数组只有一个元素的情况
    if(n == 0) return 0;
    if(n == 1) return nums[0];

    // 定义一个 dp 数组，dp[i] 表示到第 i 个元素为止我们所能收获到的最大总数
    int[] dp = new int[n];

    // 初始化 dp[0]，dp[1]
    dp[0] = nums[0];
    dp[1] = Math.max(nums[0], nums[1]);

    // 对于每个 nums[i]，考虑两种情况，选还是不选，然后取最大值
    for (int i = 2; i < n; i++) {
        dp[i] = Math.max(nums[i] + dp[i - 2], dp[i - 1]);
    }
  
    return dp[n - 1];
}

LeetCode第62题

3.2、区间规划

各个子问题的规模由不同区间来定义
子问题的最佳状态或结果可以存储在为二维数组中
这类问题的时间复杂度一般为多项式时间，即对于一个大小为n的问题，时间复杂度不会超过n的多项式倍数。

最长回文子序列
给定一个字符串s，找到其中最长的回文子序列。
可以假设s的最大长度为1000。

递归公式，

3.3、约束规划

在普通的线性规划里，一般题目有两种需求：

• 统计
• 最优解

例题：0-1背包问题
给定n个物品，每个物品有各自的价值v和重量w，在限定的最大重量内，我们如何选择，才能使被带走的物品的价值总和最大？

这题自己做一遍。

学习动态规划没有捷径，更重要的是多练！