leetcode动态规划笔记

动态规划问题的⼀般形式就是求最值。求解动态规划的核⼼问题是穷举，最优解可以从其子问题的最优解构造出来。
⾸先， 动态规划的穷举有点特别， 因为这类问题存在「重叠⼦问题」 ， 如果
暴⼒穷举的话效率会极其低下， 所以需要「备忘录」 或者「DP table」 来优
化穷举过程， 避免不必要的计算。
⽽且， 动态规划问题⼀定会具备「最优⼦结构」 ， 才能通过⼦问题的最值得
到原问题的最值。只有列出正确的「状态转移⽅程」 才能正确地穷举。
重叠⼦问题、 最优⼦结构、 状态转移⽅程就是动态规划三要素。
如何列出正确的状态转移⽅程？(凑零钱为例)
先确定「状态」 ， 也就是原问题和⼦问题中变化的变量。 由于硬币数量⽆
限， 所以唯⼀的状态就是⽬标⾦额 amount
然后确定 dp 函数的定义：当前的⽬标⾦额是 n ， ⾄少需要 dp(n) 个硬
币凑出该⾦额
然后确定「选择」 并择优， 也就是对于每个状态， 可以做出什么选择改变当
前状态。 具体到这个问题， ⽆论当的⽬标⾦额是多少， 选择就是从⾯额列表
coins 中选择⼀个硬币， 然后⽬标⾦额就会减少：
最后明确 base case， 显然⽬标⾦额为 0 时， 所需硬币数量为 0；当⽬标⾦额
⼩于 0 时， ⽆解， 返回 -1：

System.arraycopy()方法实现复制
public static void arraycopy(Object src,
int srcPos,
Object dest,
int destPos,
int length)
其中：src表示源数组，srcPos表示源数组要复制的起始位置，desc表示目标数组，length表示要复制的长度

语法：map.getOrDefault(key,defaultValue);

当map中存在key时，输出对应的value

当map中不存在key时，输出defaultValue

动态规划的题目分为两大类，一种是求最优解类，典型问题是背包问题，另一种就是计数类，比如这里的统计方案数的问题，它们都存在一定的递推性质。前者的递推性质还有一个名字，叫做 「最优子结构」 ——即当前问题的最优解取决于子问题的最优解，后者类似，当前问题的方案数取决于子问题的方案数。所以在遇到求方案数的问题时，我们可以往动态规划的方向考虑。