算法策略 - 动态规划（Dynamic Programming）

• 动态规划，简称DP
• 是求解最优化问题的一种常用策略
• 通常的使用套路（一步一步优化）

1. 暴力递归（自顶向下，出现了重叠子问题）
2. 记忆化搜索（自顶向下）
3. 递推（自底向上）

动态规划的常规步骤

• 动态规划中的“动态”可以理解为是“会变化的状态”

1. 定义状态（状态是原问题、子问题的解）
   比如：定义dp(i)的含义
2. 设置初始状态（边界）
   比如设置dp(0)的值
3. 确定状态转移方程
   比如确定dp(i)和dp(i - 1)的关系

动态规划的一些相关概念

1. 将复杂的原问题拆解成若干个简单的子问题
2. 每个子问题仅仅解决1次，并保存它们的解
3. 最后推导出原问题的解

• 可以用动态规划来解决的问题，通常具备2个特点

1. 最优子结构（最优化原理）：通过求解子问题的最优解，可以获得原问题的最优解
2. 无后效性
   某阶段的状态一旦确定，则此后过程的演变不再受此前各状态及决策的影响（未来与过去无关）
   在推导后面阶段的状态时，只关心前面阶段的具体状态值，不关心这个状态是怎么一步步推导出来的

无后效性

• 从起点（0, 0）走到终点（4, 4）一共有多少种走法？只能向右、向下走
• 假设dp(i, j)是从（0, 0）走到（i, j）的走法
  dp(i, 0) = dp(0, j) = 1
  dp(i, j) = dp(i, j - 1) + dp(i - 1, j)
• 无后效性
  推导dp(i, j)时只需要用到dp(i, j - 1)、dp(i - 1, j)的值
  不需要关心dp(i, j - 1)、dp(i - 1, j)的值是怎么求来的
  

有后效性

• 如果可以向左、向右、向上、向下走，并且同一个格子不能走2次
• 有后效性
  dp(i, j)下一步要这么走，还要关心上一步是怎么来的
  也就是还要关心dp(i, j - 1)、dp(i - 1, j)是怎么来的？

---

练习1 - LeetCode — 322. 零钱兑换

练习2 - LeetCode — 53. 最大子序和

练习3 - LeetCode — 300. 最长上升子序列

练习4 - LeetCode — 1143. 最长公共子序列

练习5 - 算法 — 最长公共子序列

练习6 - 算法 — 0-1背包问题