动态规划笔试题 java_笔试算法题（44）：动态规划（Dynamic Programming）

DP主要用于解决包含重叠子问题(Overlapping

Subproblems)的最优化问题，其基本策略是将原问题分解为相似的子问题，通过求解并保存最简单子问题的解，然后逐步合并成为原问题的解，由于需

要查询子问题的解，所以需要一个表格记录子问题的解；DP仅适用于最优子结构问题(Optimal

Substructure)，也就是局部最优解相当于(或者近似于)全局最优解；

对于原问题而言，当递归地自顶向下对问题进行求解时，每次产生的子问题可能与之前差生的子问题重复(如Fibonacci数列的求解)；DP通过自底向上

求解子问题的解并将其保存在一个表格中，当再次遇到相同子问题时就直接通过查表得到其解(分治算法的子问题则是完全独立子空间)；使用DP之前需要判定当

前问题是否具有下述三个特性：

最优子结构：无论之前的状态和决策如何，当前的局部最优解是构成全局最优解的必要条件；

无后效性：对于某个给定的阶段状态而言，在此之前的所有决策和状态都无法直接影响未来的决策，而只能通过当前的决策和状态影响；

空间需求度：DP实际上是一种空间换时间的策略，在求解的过程中需要不断存储子问题的解并提供合理的查询方式；

DP的四个步骤

划分阶段：注意划分之后的阶段必须是有序或者可排序的；确定状态和状态变量：将划分后的子问题使用不同状态表示，并满足无后效性；

确定决策并写出状态转移方程：根据相邻两个阶段的状态关系得出转移方程；寻找边界条件：给出的转移方程是一个递归式，需要最终确定一个终止条件；

最长公共子序列的DP解法

LCS问题与LIS(Largest Incremental

Sub-sequence)问题类似，将原字符串A进行排序之后得到B，则A的LIS就是A和B的LCS。另外也可以直接使用DP；

解法1：Largest Common

Sub-string，如果将需求理解为公共子串的字符必须相连，则解法如下：将字符串A的每一个字符依次匹配B的每一个位置，时间复杂度O(MN)，M

和N分别为A和B的长度，同样也可以使用DP填表的方式求解。KMP算法也可以求解，时间复杂度为O(M+N)；

解法2：Largest Common

Sub-Sequence，如果将需求理解为公共子串的字符可以分离，则为经典的LCS问题(也可以理解为求两个集合的顺序交集)，则解法如下：动态规划

(DP)，动态规划一般应用于具有最优子结构的问题，也就是局部最优解可以决定全局最优解；动态规划的关键点在问题的拆分和状态关系的转移；

给定first[1,m]和second[1,n]，求LCS(first[1,m],second[1,n])，

如果first和

second的最后一个字符相同，则有first[m]=second[n]=result[k]，这样问题化解为给定first[1,m-1]和

second[1,n-1]，求LCS(first[1,m-1],second[1,n-1])，原问题转化为

LCS(first[1,m],second[1,n])= LCS(first[1,m-1],second[1,n-1])

+1

如果first和second的最后一个字符不相同，则问题化解为result[1,k]=

max{LCS(first[1,m-1],second[1,n]), LCS(first[1,m],second[1,n-1])