Leetcode二刷 ---- 动态规划

动态规划的关键就是将问题子问题化，通过解决子问题最终实现关键问题的解决，我们的一切都是围绕如何更好的解决子问题，以及子问题的情况。最终问题就是从最后的结果往前推，但是我们写代码和计算的却是从前面开始算起。从后往前走给我们思路，从前往后走给我们代码。

裴伯纳数列

重叠的子问题，overlap sub-problem，递归的问题，算的分支其实在不断的增加。就是不断的递增，很多重复的运算，这就是递归的问题。重叠子问题太多，需要保存下来，避免重叠子问题，重叠计算。反着倒过来，就可以，将大问题不断的走下去到小问题。

例题1: 时间不能冲突

求最优解：方法选和不选

例题的推导过程：

新增加的任务是否执行，通过最大化来判断，小的话我们就不执行，大的话就执行。但是如果从最右边的话，我们可以判断第8个任务是否执行，如果不执行那么就看第7个，如果执行那么就看第8个任务如何执行，能够由哪个挨着最近。

例题2
选择不相邻的数字，并且和最大。方法同理：选或者不选的问题

OPT表示的是到这里的最佳方案是什么？而这个最佳方案有两种选择，选或者不选。就只有这两种可能性，所以我们只需要再这两种中选择最好的一种即可。然后根据这个原理进行“递归”。

递归但是存在overlap的问题，所以问题会很多，这就是为什么不用递归的原因，上面也有分析就是很多重叠子问题，很多问题算了又算。

arr = [1,2,4,1,7,8,3]

def rec_opt(arr,i):
    if i == 0:
        return arr[0]
    elif i == 1:
        return max(arr[0],arr[1])
    else:
        A = rec_opt(arr,i-2) +arr[i]
        B = rec_opt(arr,i-1)
        return max(A,B)

b = rec_opt(arr,6)    

还记得我们上面那题是如何算，非递归的嘛，我们就是每次都存下最好的对吧。这里也是一样的。

opt = []
def dp_opt(arr):
    opt.append(arr[0])
    opt.append(max(arr[0],arr[1]))
    for i in range(2,len(arr)):
        opt.append(max(opt[i-2] + arr[i],opt[i-1]))
    return(opt[len(arr)-1])    

例题3:

从里面选择一个方案 使得和为S，有则True 没有则False