算法系列（三）：动态规划

算法介绍

策略

将原问题递归地分解成子问题，之后再由所有子问题的解构造出最终解。

与分治法的区别

• 分治法将原问题分解成多个子问题，独立地求解每个子问题，并对所有解进行组合获得最终解，比如快速排序
• 动态规划同样做了分解原问题的步骤，但是分解获得的子问题是叠加的，这意味着动态规划更适用于“原问题可分解为叠加的子问题”的情况。

使用条件

1. 最优子结构（贪心章节有讲到）
2. 无后效性
   存在状态转移方程，使得转移后的状态不需要考虑转移前的状态。
3. 子问题重叠性质
   子问题间不独立

一般步骤

1.将问题分解成叠加的子问题
2.递归地求解子问题
3.由子问题的解构造最终解
（至此讲的确实抽象，写使用条件以及步骤是为了突出该算法的特征，如果上来就给个例子，后面复习时可能需要通过思考例子来重复地提取出算法的骨架，影响效率）

举例

0-1背包问题

问题描述
现有1个背包容量为C，有N个物品，其中第 i 个物品重量为$W_i$，价值为$V_i$。问如何装使得总体价值最高。

问题分析
首先这个问题规模是有限的，可以遍历所有解，因此可以用蛮力法求解，时间复杂度为$O(2^n)$，要考虑更优解法；具有最优子结构，考虑贪心法，每一次选择都会减少背包的剩余容量，对下一个选择有影响，故没有贪心选择性质，推断贪心法不能获得最优解；具有无后效性和子问题重叠性质，考虑动态规划，条件满足，尝试求解。

问题求解
设$dp[i][C]$表示在容量为$C$的背包中放入前$i$件物品获得的最大价值，
则动态规划状态转移方程如下$$dp[i][C]=max(dp[i-1][C],dp[i-1][C-W_i]+V_i)$$其中，等式右边的前半部分表示不放入第$i$件物品，后半部分表示放入第$i$件物品。

程序示例（python）
懒得写 ：/，用python写的话关键代码和状态转移方程形式基本一样。

思考

• 动态规划为什么在解决一些问题上更加优秀？
  从直观上理解，动态规划方法在计算过程中进行了“记录”，从而避免了部分冗余计算。举个例子，计算$1+1+\cdots +1$，如果使用顺序计算的策略，就会计算$1+1,1+1+1,1+1+1,\cdots$，这个过程中进行了多次冗余计算。