动态规划

动态规划

简介

https://www.cnblogs.com/loveer/p/11786100.html

动态规划遵循一套固定的流程：递归的暴力解法( O(2^n) ) -> 带备忘录的递归解法( O(n) ) -> 非递归的动态规划解法( O(n) )。
「自顶向下」：
    是从上向下延伸，
    都是从一个规模较大的原问题比如说 f(20)，向下逐渐分解规模，直到 f(1) 和 f(2) 触底，然后逐层返回答案。
「自底向上」：
    直接从最底下，最简单，问题规模最小的 f(1) 和 f(2) 开始往上推，直到推到我们想要的答案 f(20)，

解法：

1. 将原问题分解为子问题
    f(0),f(1),f(2)...f(n)
2. 确定状态
    f(n)
3. 确定一些初始状态(边界条件)的值
    f(n)=0
4. 确定状态转移方程（当前子问题值与前一个子问题值的关系）
    f(n) 是一个状态 n，这个状态 n 是由状态 n - 1 和状态 n - 2 相加转移而来，这就是状态转移
    动态规划问题最困难的就是写出状态转移方程。

适合使用动规求解的问题

1. 问题具有最优子结构（问题的最优解所包含的子问题的解也是最优的）
2. 求最优解问题

动态规划问题

1. 0-1背包问题

①、将原问题分解为子问题（子问题和原问题形式相同，且子问题解求出就会被保存）； 
②、确定状态：0-1背包中一个状态就是N个物体中第i个是否放入体积为V背包中； 
③、确定一些初始状态（边界状态）的值； 
④、确定状态转移方程，如何从一个或多个已知状态求出另一个未知状态的值。（递推型）

案例：

给定一个只包含正整数的非空数组。是否可以将这个数组分割成两个子集，使得两个子集的元素和相等。
注意:

每个数组中的元素不会超过 100
数组的大小不会超过 200

示例 1:

输入: [1, 5, 11, 5]
输出: true
解释: 数组可以分割成 [1, 5, 5] 和 [11].

示例2：

输入: [1, 2, 3, 5]
输出: false
解释: 数组不能分割成两个元素和相等的子集.

Python

class Solution:    
   def canPartition(self, nums: List[int]) -> bool:        
   # 0-1 背包问题        
       sums=sum(nums)        
       if sums%2!=0:return False        
       else:avg=int(sums/2)        
       B = [[False for _ in range(avg + 1)] for _ in range(len(nums))]
       for i in range(avg + 1):            
           B[0][i] = False if nums[0] != i else True        
       for i in range(1,len(nums)):            
           for j in range(1,avg+1):                
               if j<nums[i]:                    
                  B[i][j]=B[i-1][j]                
               else:                    
                  B[i][j]=B[i-1][j] or B[i-1][j-nums[i]]        
       return B[-1][-1]