畅游面试中的动态规划套路

写在前面的话

本文主题是讲动态规划，涉及题目近40题，每题超过3种方法解决，共100多种写法，思路和目录结构来源于收藏夹中的一个课程Grokking Dynamic Programming Patterns for Coding Interviews,其中grok是深刻领会，深入掌握的意思，我翻译成畅游，加上自己的理解，消化(截取的课程的目录)，得到本文，文章很长，其实人生的路也很长，是吧？

• 这是一篇摘要文章，具体内容见文末的跳转链接

0.什么是动态规划

动态规划(DP)是一种求解优化问题的算法，它将问题分解为更简单的子问题，并利用整体问题的最优解取决于子问题的最优解这一事实

看个例子斐波那契数列，众所周知，斐波那契数列是一系列的数字，其中每个数字都是前面两个数字的和，前几个斐波那契数列是0、1、1、2、3、5和8，以此类推。
如果我们要求计算第n个斐波那契数列，我们可以用下面的方程来做：

Fib(n) = Fib(n-1) + Fib(n-2), for n > 1

我们可以清楚地看到，为了解决整个问题(即Fib(n))，我们将其分解为两个更小的子问题(Fib(n-1)和Fib(n-2))。这说明我们可以用DP来解决这个问题

动态规划的特点

在理解DP问题的不同方法之前，让我们先看看一个问题的哪些特征告诉我们可以应用DP来解决它。

1.重叠子问题

子问题是原始问题的更小粒度。如果找到它的解决方案涉及到多次解决相同的子问题，那么任何问题都有重叠的子问题。以斐波那契数列为例，为了找到fib(4)，我们需要将其分解为以下子问题:

我们可以清楚地看到重叠的子问题模式，因为fib(2)已经计算了两次，fib(1)已经计算了三次。

2.最优子结构性质

如果它的整体最优解可以由其子问题的最优解构造出来，那么任何问题都具有最优子结构性质。对于斐波那契数列，我们知道

Fib(n) = Fib(n-1) + Fib(n-2)

这清楚地表明大小为n的问题已经被简化为大小为n-1和n-2的子问题。因此，斐波那契数具有最优子结构性质。

动态规划的方法

DP问题一般有两种方式去解决

2.1.自顶向下记忆化(Top-down)

在这种方法中，我们试图通过递归地找到较小子问题的解决方案来解决较大的问题。每当我们解决一个子问题时，对子问题的结果缓存起来，这样当它被多次调用时，我们就不会重复地解决它。相反，我们可以只返回保存的结果。这种存储已经解决的子问题的结果的技术叫做记忆化。

我们将在斐波那契数列的例子中看到这种技术。首先，让我们看看寻找第n个斐波那契数列的非DP递归解:

class Fibonacci {

  public int CalculateFibonacci(int n) {
    if(n < 2) return n;
    return CalculateFibonacci(n-1) + CalculateFibonacci(n-2);
  }

  public static void main(String[] args) {
    Fibonacci fib = new Fibonacci();
    System.out.println("5th Fibonacci is ---> " + fib.CalculateFibonacci(5));
    System.out.println("6th Fibonacci is ---> " + fib.CalculateFibonacci(6));
    System.out.println("7th Fibonacci is ---> " + fib.CalculateFibonacci(7));
  }
}

output

5th Fibonacci is ---> 5
6th Fibonacci is ---> 8
7th Fibonacci is ---> 13

正如我们上面所看到的，这个问题显示了重叠子问题模式，所以让我们在这里利用记忆。我们可以使用一个数组来存储已经解决的子问题(请参阅高亮显示的行中的更改)。

class Fibonacci {

  public int CalculateFibonacci(int n) {
    int memoize[] = new int[n+1];
    return CalculateFibonacciRecursive(memoize, n);
  }

  public int CalculateFibonacciRecursive(int[] memoize, int n) {
    if(n < 2)
      return n;
    // if we have already solved this subproblem, simply return the result from the cache
    if(memoize[n] != 0)
      return memoize[n];

    memoize[n] = CalculateFibonacciRecursive(memoize, n-1) + CalculateFibonacciRecursive(memoize, n-2);
    return memoize[n];
  }

  public static void main(String[] args) {
    Fibonacci fib = new Fibonacci();
    System.out.println("5th Fibonacci is ---> " + fib.CalculateFibonacci(5));
    System.out.println("6th Fibonacci is ---> " + fib.CalculateFibonacci(6));
    System.out.println("7th Fibonacci is ---> " + fib.CalculateFibonacci(7));
  }
}

2.2.自底向上填表(Bottom-up)

填表与自顶向下方法相反，避免了递归。在这种方法中，我们自底向上地解决问题(即首先解决所有相关的子问题)。这通常通过填充一个n维表来完成。根据表中的结果，然后计算顶部/原始问题的解决方案。

填表与记忆化是相反的，因为在记忆化中，我们解决问题，并维护已经解决的子问题的映射。换句话说，在记忆化中，我们从上到下，也就是说我们先解决最上面的问题(通常递归下来解决子问题)。

让我们将填表应用到我们的斐波那契数列的例子中。因为我们知道每个斐波那契数都是前面两个数的和，所以我们可以使用这个事实来填充我们的表。

下面是自底向上动态规划的代码:

class Fibonacci {

  public int CalculateFibonacci(int n) {
    if (n==0) return 0;
    int dp[] = new int[n+1];
    //base cases
    dp[0] = 0;
    dp[1] = 1;
    for(int i=2; i<=n; i++)
      dp[i] = dp[i-1] + dp[i-2];
    return dp[n];
  }

  public static void main(String[] args) {
    Fibonacci fib = new Fibonacci();
    System.out.println("5th Fibonacci is ---> " + fib.CalculateFibonacci(5));
    System.out.println("6th Fibonacci is ---> " + fib.CalculateFibonacci(6));
    System.out.println("7th Fibonacci is ---> " + fib.CalculateFibonacci(7));
  }
}

我们将始终从一个暴力递归解决方案开始，这是开始解决任何DP问题的最佳方式。一旦我们有了递归的解决方案，我们就会应用记忆化和填表。

让我们应用这些知识来解决一些常见的DP问题。

1.畅游面试中的动态规划套路-01背包系列

2.畅游面试中的动态规划套路-完全背包系列

3.畅游面试中的动态规划套路-斐波那契数列系列

4.畅游面试中的动态规划套路-回文子序列系列

5.最长子串