凸多边形最优三角剖分动态规划_leecode刷题---动态规划

动态规划（dynamic programming）是运筹学的一个分支，是求解决策过程最优化的数学方法。它是20世纪50年代初美国数学家R.E.Bellman等人提出的最优化原理，它利用各阶段之间的关系，逐个求解，最终求得全局最优解。在设计动态规划算法时，需要确认原问题和子问题，动态规划状态，边界状态结值，状态转移方程等关键要素。

leecode题目练习

假设你正在爬楼梯。需要 n 阶你才能到达楼顶。

每次你可以爬 1 或 2 个台阶。你有多少种不同的方法可以爬到楼顶呢？

注意：给定 n 是一个正整数。

示例 1：

输入： 2

输出： 2

解释： 有两种方法可以爬到楼顶。

1. 1 阶 + 1 阶

2. 2 阶

示例 2：

输入： 3

输出： 3

解释： 有三种方法可以爬到楼顶。

1. 1 阶 + 1 阶 + 1 阶

2. 1 阶 + 2 阶

3. 2 阶 + 1 阶

来源：力扣（LeetCode）

链接：力扣

著作权归领扣网络所有。商业转载请联系官方授权，非商业转载请注明出处。

思考：到达第i阶有多少种爬法，与第几阶的爬法直接相关，如何递推的求出第i阶爬法数量？

由于每次最多走两步，第i阶只和i-1,i-2阶有关系

第i阶爬法=第i-2阶爬法+第i-1阶爬法

算法思路：

设置递推数组dp[0...n],dp[i]代表到达第i阶，有多少种走法，初始化数组元素为0；

设置到达第1阶台阶，有一种走法；到达第2阶台阶，有2种走法

利用i循环递推从第3阶至第n阶的结果：

到达第i阶的方式数量=到达第i-1的方式数量+到达第i-2阶的方式数量；

class Solution {
    
public:
    int climbStairs(int n) {
    
        std::vector<int> dp(n+3,0);//防止溢出；
        dp[1] = 1;
        dp[2] = 2;
        for(int i = 3;i<=n;i++)
        {
    
            dp[i] = dp[i-1]+ dp[i-2];
        }
        return dp[n];
    }
};

动态规划原理：

1.确认原问题与子问题：

原问题为求n阶台阶所有走法的数量，子问题是求1阶台阶，2阶台阶，...，n-1阶台阶的走法。

2.确认状态：

本题的动态规划状态单一，第i个状态即为i阶台阶的所有走法数量。

3.确认边界状态的值：

边界状态为1阶台阶与2阶台阶的走法，1阶台阶有一种走法，2阶台阶有2种走法，即dp[1]=1,dp[2]=2。

4.确定状态转移方程：

将求第i个状态的值转移为求第i-1个状态值，与第i-2个状态值，动态规划转移方程，

dp[i]=dp[i-1]+dp[i-2];(i>3)

198 打家劫舍

你是一个专业的小偷，计划偷窃沿街的房屋。每间房内都藏有一定的现金，影响你偷窃的唯一制约因素就是相邻的房屋装有相互连通的防盗系统，如果两间相邻的房屋在同一晚上被小偷闯入，系统会自动报警。

给定一个代表每个房屋存放金额的非负整数数组，计算你在不触动警报装置的情况下，能够偷窃到的最高金额。

示例 1:

输入: [1,2,3,1]

输出: 4

解释: 偷窃 1 号房屋 (金额 = 1) ，然后偷窃 3 号房屋 (金额 = 3)。

偷窃到的最高金额 = 1 + 3 = 4 。

示例 2:

输入: [2,7,9,3,1]

输出: 12

解释: 偷窃 1 号房屋 (金额 = 2), 偷窃 3 号房屋 (金额 = 9)，接着偷窃 5 号房屋 (金额 = 1)。

偷窃到的最高金额 = 2 + 9 + 1 = 12 。

来源：力扣（LeetCode）

链接：力扣

思考：若选择第i个房间，第i-1不能选；

若不选择第i个房间，相当于只考虑i-1个房间盗取财宝。

1.确认原问题与子问题：

原问题为求n个房间的最优解，子问题为求前1个房间，前2个房间，...前n-1个房间的最优解。2.确认状态：

第i个状态即为前i个房间能够获得的最大财宝（最优解）。

3.确认边界状态的值：

前1个房间的最优解，第1个房间的财宝；

前2个房间的最优解，第1,2个房间中较大财宝的。

4.确定状态转换方程：

a.选择