动态规划-如何推导出状态转移方程？

今天学习了《程序员的数据基础课》中的动态规划小节。如果你觉得这个课程对你有启发，请通过 分享一个IT专属的数学课，让这个冬天不太冷 下方的链接购买，加我微信 somenzz，返你 12 元红包，降低你的学习成本。

什么是动态规划？

在递归的时候，我们可以通过不断地分解问题，将复杂的任务简化为最基本的小问题，比如基于递归实现的归并排序，排列，组合等。不过有时候，我们并不用处理所有可能的情况，只要找到满足条件的最优解就可以了，这种情况下，我们需要在各种可能的局部解中，找出那些可能达到最优的局部解，而放弃其他的局部解，这个寻找最优解的过程叫动态规划。

怎么判断一个问题是否可以由动态规划来解决。

首先，如果一个问题有多种可能，看上去需要排列或者组合的思想，但是最终求的只是最优解，如最大值，最小值，最短子串，最长子串等，可以试试使用动态规划。

其实，状态转移方程是个关键。你可以用状态转移表来帮助自己理解整个过程。如果能找到准确的转移方程，那么离最终的代码实现也就不远了 。

这里说下什么是状态转移方程：从上一个状态到下一个状态之间可能存在一些变化，以及基于这些变化的最终决策结果。我们把这样的表达式称为状态转移方程。所有的动态规划算法中，状态转移是关键。

来个例子吧。

假如有 2 块，3 块，7 块面额的纸币，如何使用最小的纸币数量来凑成 100 块。

一般会优先想到这样的方法：优先使用大面额的，不够的话再用次大面额的，直到凑成 100 块。100 除以 7 = 14 余数为 2 ，正好再用一张 2 的面额就可以了，也就是说最低 15 张。这属于贪心算法，今天先不讲。

动态规划的解题思路：
c(n) 表示凑成 n 元的最小纸币数量
c(100) = c(93 +7） = c(93）+1
c(100) = c(97 +3） = c(97）+1
c(100) = c(98 + 2） = c(98）+1

如果分析到这里，你可能会想到递归是一种解决思路，没错，但递归从大到小的分解其实保留了每一步的结果，并没有舍弃非最优解，效率并不高。

接下来就是找 c(93），c(97）， c(98）哪个值最小，按照同样的方法，继续进行分解，直到 c(2) = 1，c(3) =1, c(4) = 2, c(5) = 2, c(6)=2, c(7)=1, c(8) = 3。这里可以推出状态转移方程：

其中，c[i] 表示总额为 i 的时候，所需要的最少钱币数，其中 j=1,2,3,…,n，表示 n 种面额的钱币，value[j] 表示第 j 种钱币的面额。c[i - values(j)] 表示选择第 j 种钱币的时候，上一步为止最少的钱币数。需要注意的是，i - value(j) 需要大于等于 0，而且 c[0] = 0。

然后，从小到大，我们可以先在草纸上自己演算下，并验证状态转移方程

接下来的事情就是将这种有规律的过程转化为源代码了，到这里其实已经没有难度了。

#encoding = utf-8

def count_dp(num):
    kinds = [2,3,7]
    ##循环使用tmp，降低内存占用
    tmp = [1,1,2,2,2,1,3]
    result = [[2],[3],[2,2],[2,3],[3,3],[7]