动态规划

慨念

动态规划(dynamic programming)是运筹学的一个分支，是求解决策过程(decision process)最优化的数学方法。20世纪50年代初美国数学家R.E.Bellman等人在研究多阶段决策过程(multistep decision process)的优化问题时，提出了著名的最优化原理(principle of optimality)，把多阶段过程转化为一系列单阶段问题，利用各阶段之间的关系，逐个求解，创立了解决这类过程优化问题的新方法——动态规划。

---

动态规划关键

1、最优子结构

2、边界

3、状态转换方程式

例子

从斐波那契数列的式子出发

 F(1)=1  当n=1时（边界）
 F(2)=1  当n=2时（边界）
 F(n)=F(n-1)+F(n-2)  当n>3时（状态转换方程式）

但是会有以下问题，看下图

时间复杂度很高，是O(2^n),树中很多的要求的值重复了

颜色相同的式子重复了，那我们可以利用一个map中的key不重复来存储F(n),value来存储其值，这样时间复杂度就会减少到O(n),（代码如下）但是空间会消耗很大，再分析一下

看回来方程，F(n)=F(n-1)+F(n-2) 想要推导出想要的值，只要知道前两个值就OK了
故代码：

  int dynamic(int n){
     if (n<0){return 0;}
     if (n==1){return 1;}
     if (n==2){return 1;}

     int i=1;
     int j=1;
     int temp=0;

     for (int a=3;a<=n;a++){
         temp=i+j;
         i=j;
         j=temp;
     }
     return temp;

    }

---

例子二———数组中不相邻元素相加最大

例如如下数组

int arr[]={3,1,3,5}

有如下条件：

1、相加元素不能相邻

2、得出元素最大值

分析其中最优子结构：当我选择arr[3]时，该数组的最优最大值是F(3)=arr[3]+F(1),否则是 F(2)
也就是说，可以总结出这样的规律来
最优解是 MAX(arr[3]+F(1),F(2))
以此类推得出最优子结构：
F(3)=MAX(arr[3]+F(1),F(2))
然后，边界值也很容易出来就是F(0),F(1),容易得出F(0)=arr[0],F(1)=MAX(arr[1],arr[0])
得出状态转换方程:
F(0)=arr[0] n=0时
F(1)=MAX(arr[1],arr[0]) n=1时
F（n）=MAX（F(n-2)+arr[n], F(n-1)） n>=2时
故代码为：

int dynamic_dp(int []arr){
        int [] results=new int[arr.length];
        results[0]=arr[0];
        results[1]=Math.max(arr[0],arr[1]);

        for (int i=2;i<results.length;i++){
            int a=results[i-1];
            int b=results[i-2]+arr[i];
            results[i]=Math.max(a,b);
        }
        return results[arr.length-1];
    }