python解题思路公共子序列a[i=b[j_剑指Offer——动态规划算法

剑指Offer——动态规划算法

什么是动态规划？

和分治法一样，动态规划(dynamic programming)是通过组合子问题而解决整个问题的解。

分治法是将问题划分成一些独立的子问题，递归地求解各子问题，然后合并子问题的解。

动态规划适用于子问题不是独立的情况，也就是各子问题包含公共的子子问题。

此时，分治法会做许多不必要的工作，即重复地求解公共的子问题。动态规划算法对每个子问题只求解一次，将其结果保存起来，从而避免每次遇到各个子问题时重新计算答案。

适用范围

最优性原理体现为问题的最优子结构特性。当一个问题的最优解中包含了子问题的最优解时，则称该问题具有最优子结构特性。

最优性原理是动态规划的基础。任何一个问题，如果失去了这个最优性原理的支持，就不可能用动态规划设计求解。

1.问题中的状态满足最优性原理。

2.问题中的状态必须满足无后效性。

所谓无后效性是指：“下一时刻的状态只与当前状态有关，而和当前状态之前的状态无关，当前状态是对以往决策的总结”。

动态规划算法的设计

两种方法：

自顶向下(又称记忆化搜索、备忘录)：基本上对应着递归函数实现，从大范围开始计算，要注意不断保存中间结果，避免重复计算

自底向上(递推)：从小范围递推计算到大范围

动态规划的重点

递归方程+边界条件

爬楼梯问题

一个人每次只能走一层楼梯或者两层楼梯，问走到第80层楼梯一共有多少种方法。

设DP[i]为走到第i层一共有多少种方法，那么DP[80]即为所求。很显然DP[1]=1, DP[2]=2(走到第一层只有一种方法：就是走一层楼梯；走到第二层有两种方法：走两次一层楼梯或者走一次两层楼梯)。同理，走到第i层楼梯，可以从i-1层走一层，或者从i-2走两层。很容易得到：

递推公式：DP[i]=DP[i-1]+DP[i-2]

边界条件：DP[1]=1   DP[2]=2

(a)自顶向下的解法：

long long dp[81] = {0};/*用于保存中间结果否则会重复计算很多重复的子问题*/

long long DP(int n)

{

if(dp[n])

return dp[n];

if(n == 1)

return 1;

if(n == 2)<