动态规划总结以及状态转移方程的推导（一）

动态规划（Dynamic Programming，DP）是运筹学的一个分支，是求解决策过程最优化的过程。

动态规划算法题如今很常见，通常用在求最优解问题上。DP作为求最优化的算法为什么会快？我们可以这样思考 ，无论是DP还是暴力，我们的算法都是在可能解空间内，寻找最优解。DP是枚举有希望成为答案的解。从而我们可以得到DP的核心思想：尽量缩小可能解空间。在暴力算法中，可能解空间往往是指数级的大小；如果我们采用DP，那么有可能把解空间的大小降到多项式级。一般来说，解空间越小，寻找解就越快。这样就完成了优化。
下面通过一些简单的动态规划的题目来理解这个算法：

1. 1.打家劫舍

题中给出的限制是不能选两个相邻直接的数字，否则会自动报警。
我们给出一个数组dp，存储当前偷窃的最高金额,nums是题目中给出的数组。
dp[0] = nums[0]
dp[1] = max(nums[0]，nums[1])
dp[2]呢，
这时候我们可以想一下，dp[2]是不是有两种情况，
第一种情况是选dp[0]后加上nums[2],
第二种情况是选dp[1]，nums[2]相邻不可以选
然后取两种情况的最大值，就是dp[2]。
其实就是选与不选之间的决策，最后我们由小部分的最优解可以推算出总共的最优解，这就是动态规划，
状态转移方程为：dp[i] = max(dp[i-1],dp[i-2]+nums[i])
初始条件为dp[0] = nums[0] ,dp[1] = max(nums[0]，nums[1])
由这两个条件我们可以写出以下代码：

class Solution {
public:
    int rob(vector<int>& nums) {
        int size = nums.size();
	if (size == 0) 
		return 0;
	if (size == 1)
	    return nums[0];
 
	vector<int> dp(size, 0);
	dp[0] = nums[0];
	dp[1] = nums[0]>nums[1] ? nums[0] : nums[1];
	for (int i = 2; i < size; ++i){
		dp[i] = max(dp[i - 2] + nums[i], dp[i - 1]);
	}
	return dp[size - 1];
    }
};