动态规划详细介绍

一.基础知识

动态规划（Dynamic Programming，简称 DP）是一种用于解决复杂问题的方法，通过将问题分解为更简单的子问题来求解。它通常用于优化问题，尤其是那些具有重叠子问题和最优子结构性质的问题。以下是动态规划的详细介绍：

1. 基本概念

• 重叠子问题：一个问题可以被分解为多个子问题，这些子问题在求解过程中会被多次计算。例如，计算 Fibonacci 数列时，F(n) = F(n-1) + F(n-2)，F(n-1) 和 F(n-2) 会被多次计算。

• 最优子结构：一个问题的最优解可以由其子问题的最优解构成。例如，最短路径问题中，从 A 到 C 的最短路径可以通过 A 到 B 和 B 到 C 的最短路径来构成。

2. 动态规划的步骤

1. 定义状态：确定问题的状态，通常用一个数组或表格来表示。

2. 状态转移方程：找出状态之间的关系，建立递推公式。

3. 边界条件：确定初始状态的值。

4. 计算顺序：根据状态转移方程的依赖关系，确定计算的顺序。

5. 返回结果：根据计算的结果返回最终答案。

3. 动态规划的实现方式

动态规划通常有两种实现方式：

• 自顶向下（递归 + 记忆化）：通过递归解决问题，并使用一个数据结构（如数组或哈希表）来存储已经计算过的结果，以避免重复计算。

• 自底向上（迭代）：从最小的子问题开始，逐步计算到最终问题，通常使用一个数组来存储中间结果。

二.具体示例

题目126：斐波那契数

• 解题思路：动态规划，动态规划的本质思想就是将子问题的答案存放在数组中，使用的时候直接拿就可以。

斐波那契数 （通常用 F(n) 表示）形成的序列称为 斐波那契数列 。该数列由 0 和 1 开始，后面的每一项数字都是前面两项数字的和。也就是：

F(0) = 0，F(1) = 1
F(n) = F(n - 1) + F(n - 2)，其中 n > 1
给定 n ，请计算 F(n) 。

答案需要取模 1e9+7(1000000007) ，如计算初始结果为：1000000008，请返回 1。

class Solution {
public:
    int fib(int n) {
        //使用动态规划的思想：将子结果都存放在数组中，用的时候直接拿就行。
        vector<long long>ans(n+1);
        ans[0]=0;
        if(n==0)
        {
            return ans[n];
        }

        ans[1]=1;
        for(int i=2;i<=n;i++)
        {
            ans[i]=(ans[i-1]+ans[i-2])%1000000007;
        }

        return ans[n]%1000000007;

    }
};

题目120：三角形最小路径和

• 解题思路：动态规划，从最底部开始。

给定一个三角形 triangle ，找出自顶向下的最小路径和。

每一步只能移动到下一行中相邻的结点上。相邻的结点 在这里指的是 下标 与 上一层结点下标 相同或者等于 上一层结点下标 + 1 的两个结点。也就是说，如果正位于当前行的下标 i ，那么下一步可以移动到下一行的下标 i 或 i + 1 。

class Solution {
public:
int minimumTotal(vector<vector<int>>& triangle) {  
        int n = triangle.size(); // 获取三角形的行数  
        vector<int> dp(n); // 创建一个一维数组 dp，用于存储每一层的最小路径和  
    
        // 初始化 dp 数组为三角形最后一行的值  
        for (int j = 0; j < n; ++j) {  
            dp[j] = triangle[n - 1][j];  
        }  
    
        // 从倒数第二行开始，逐行向上更新 dp 数组  
        for (int i = n - 2; i >= 0; --i) {  
            for (int j = 0; j <= i; ++j) {  
                // 更新 dp[j] 为当前节点的值加上其下方相邻节点的最小值  
                dp[j] = triangle[i][j] + min(dp[j], dp[j + 1]);  
            }  
        }  
    
        // dp[0] 将包含从顶部到达底部的最小路径和  
        return dp[0];  
    }
};

使用动态规划的方法。我们从三角形的底部开始，逐步向上计算每个节点的最小路径和。具体步骤如下：

1. 从三角形的最后一行开始，初始化一个数组 dp，其大小与三角形的行数相同，存储到达每个节点的最小路径和。
2. 从倒数第二行开始，逐行向上更新 dp 数组。对于每个节点 triangle[i][j]，我们可以选择到达它的两个相邻节点 dp[j] 和 dp[j + 1]，并更新 dp[j] 为 triangle[i][j] 加上这两个相邻节点的最小值。
3. 最终，dp[0] 将包含从顶部到达底部的最小路径和。