五大常见算法策略之——动态规划策略

Dynamic Programming

  Dynamic Programming是五大常用算法策略之一，简称DP，译作中文是“动态规划”，可就是这个听起来高大上的翻译坑苦了无数人，因为看完这个算法你可能会觉得和动态规划根本没太大关系，它对“动态”和“规划”都没有太深的体现。
  举个最简单的例子去先浅显的理解它，有个大概的雏形，找一个数组中的最大元素，如果只有一个元素，那就是它，再往数组里面加元素，递推关系就是，当你知道当前最大的元素，只需要拿当前最大元素和新加入的进行比较，较大的就是数组中最大的，这就是典型的DP策略，将小问题的解保存起来，解决大问题的时候就可以直接使用。
  刚刚说的如果还是感觉有点迷糊，不用慌，下面几个简单的小栗子让你明白这句话的意思。

0、Fibonacci再讨论(易)

1、求解路径个数(易)

2、小青蛙跳台阶再讨论(易)

3、最长公共子序列问题(偏难)

4、0-1背包问题(一般)

Fibonacci再讨论

  第一个数是1，第二个数也是1，从第三个数开始，后面每个数都等于前两个数之和。要求：输入一个n，输出第n个斐波那契数。
  还是我们上节讨论递归与分治策略时候举的第一个例子——Fibonacci数列问题，它实在太经典了，所以将其反复拿出来说。
  我们如果深入分析一下上节说过的递归方法解决Fibonacci数列，就会发现出现了很多重复运算，比如你在计算f(5)的时候，你要计算f(4)和f(3),计算f(4)又要计算(3)和f(2),计算f(3)，又要计算f(2)和f(1),看下面这个图

对f(3)和f(2)进行了重复运算，这还是因为5比较小，如果要计算f(100),那你可能要等到天荒地老它还没执行完（手动滑稽），感兴趣的朋友可以试试，反正我已经试过了。

public static int fibonacci(int n){
   //递归解法
    if(n == 1) return 1;
    else if(n == 2) return 1;
    else return fibonacci(n - 1) + fibonacci(n - 2);
}

上面就是递归的解法，代码看着很简单易懂，但是算法复杂度已经达到了O(2^n),指数级别的复杂度，再加上如果n较大会造成更大的栈内存开销，所以非常低效。
我们再来说说DP策略解决这个问题
我们知道导致这个算法低效的根本原因就是递归栈内存开销大，对越小的数要重复计算的次数越多，那既然我们已经将较小的数，诸如f(2),f(3)…这些计算过了，为什么还要重复计算呢，这时就用到了DP策略，将计算过的f(n)保存起来。我们看看代码：

/**
 * 对斐波那契数列求法的优化：如果单纯使用递归，那重复计算的次数就太多了，为此，我们对其做一些优化
 * 假设最多计算到第100个斐波那契数
 * 用arr这个数组来保存已经计算过的Fibonacci数，以确保不会重复计算某些数
 */
private static int arr[] = new int[100];
public static int Fibonacci(int n){
   
    if(n <= 2){
   
        return 1;
    }else{
   
        if(arr[n] != 0) //判断是否计算过这个f(n)
            return arr[n];
        else{
   
            arr[n] = Fibonacci(n-1)+Fibonacci(n-2);
            return arr[n];
        }
    }
}

arr数组初始化为0，arr[i]就表示f(i),每次先判断arr[i]是否为0，如果为0则表示未计算过，则递归计算，如果不为0，则表示已经计算过，那就直接返回。
 
这样的好处避免了很大程度上重复的计算，但是对栈内存的开销虽然有减小但还不是很显著，因为只要有递归，栈内存就免不了有较大开销。所以针对Fibonacci数列我们还有一个递推的方式来计算，其实这也符合DP策略的思想，都是将计算过的值保存起来。

//甚至可以使用递推来求解Fibonacci数列
public static int fibonacci(int n){
   
    if(n <= 2) return