dp——动态规划（+矩阵链乘法的例子）

前言

这次我们开始讲述动态规划的具体思想，并给出一些具体的案例进行分析，比如这边博客中的矩阵链，还有后续的博客中的背包问题，二分搜索树的构建等问题。

为什么要使用dp

我们都见过斐波那契数列这个例子，也都知道这个问题有一个递归的算法，但是有没有真正的分析过这个例子？

我们来计算一个F(8)，首先我们需要给出F(7)和F(6)，调用递归函数来求解这两个数；
求F(7)的过程中，我们需要F(6)和F(2)，但是求F(5)的函数调用还没开始（或者是已经结束，变量出栈找不到了），导致计算机只能重新进行计算F(5)；
算F(5)同理，我们也是需要重复计算一些数值。
当我们用树画出来，就长成了这个样子：

可以看到，我们进行了很多次的重复计算，而且是自变量越小被计算的次数越多。

有没有解决的办法

办法是有的，既然是重复计算，那么我们为什么不直接找一个数组将从F(8)到F(1)存起来呢？
这个就是dp的具体思想，将我们遇到过的子问题进行存储，避免了重复的计算。

什么样的问题可以使用dp

首先，这个问题是能被拆分成一些相同类型，但是规模变小的子问题（和分治有一点像）
另外这些子问题是会被重复调用的，比如上面的F(7)我们要算两次，F(1)就不知道多少次了。
最后，但是是最重要的一点，我们一定要证明整体最优则子问题一定是最优的，也就是整体的最优解一定是和局部最优解相关（可能是求和，可能是求和之后还需要加一些东西）。
（如果子问题不是最优，我们在合并的过程中很难保证整体最优，比如01背包，如果子问题最优的和整体最优没有关系，那么我们怎么进行计算）

说白了，其实就是两个东西，优化子结构和重叠子问题。（这也保证了有子问题的存在）

怎么使用

首先，我们是自顶向下进行分析的，但是在计算的过程中，我们一定是自底向上处理问题的，因为我们需要子问题的值来确定整体问题的值。
（比如F(6)、F(7)不知道，我们怎么可能算出来F(8)？）
（和递归法对比一下，递归就是自顶向下的方式，就有很多重复的操作）
所以，我们就需要先给出边界条件的值（比如Fibonacci的F(1)、F(2)），然后顺藤摸瓜，找到最后我们想要的值就行了。

另外，因为是需要存储，所以我们需要创建一个数组（维度不一定，需要看问题，这里一维数组即可）。

一点点扩展

提到dp就不得不提一下滚动数组的问题了，这也是