动态规划——解决递归痛点

动态规划与递归的关系

• 递归与动态规划是两个刚好相反但是解题思路相同的过程。
• 两个方法都是通过把一个大的问题化小，小到可以一步解决，递归是采用从顶层 层层递归，知道递归出口之后得到结果。
• 递归的痛点是重复计算重复子问题
  以斐波那契数列为例，用递归会重复计算左右分支的结点，时间复杂度2^n.
  动态规划的优势就体现出来了，将计算过的值都记忆了。
  

递归协助解决动态规划

1. 写出大规模问题和子问题的递推关系式
2. 找到递归出口
3. 设计动态规划数组
4. 编写代码

示例：相加和为9

给一个int型数组arr，选择若干数字，若相加能得到数s,则返回True，否则返回False。

找递推关系

接下来讨论是否选择arr[4],只有选和不选两种结果。

subset(arr[i], s)
subset(arr[5], 9) = subset(arr[4], 7) or subset(arr[4], 9)

递归出口

subset(arr[i], s)

1. 处理过程中发现 s == 0，说明已经可以返回True，接下来不需要找了

if s == 0：
	return True

2. 当数组找啊找只剩下最后一个数字arr[0]时，直接比较arr[0]是否与最终要凑的s相等，若相等返回True。

if i == 0:
	return arr[0] == s

3. 当找到的数比s大，比如选了34就不可能凑到9，那么这个时候只有一种选择，就是不选它，相当于直接将其从数组移除

if arr[i] > s:
	return subset(arr[i-1], s)

（递归代码已经出来了）

def rec_subset(arr, i, s):
    if s == 0:
        return True
    elif i == 0:
        return arr[0] == s
    elif arr[i] > s:
        return rec_subset(arr, i-1, s)
    else:
        A = rec_subset(arr, i-1, s - arr[i])
        B = rec_subset(arr, i-1, s)
        return A or B

设计动态规划数组

第一横排对应第一个出口
第一个竖排对应第二个出口

动态规划程序

import numpy as np
def dp_subset(arr, s):
    subset = np.zeros((len(arr), s+1), dtype=bool)
    subset[:, 0] = True # 第一横排
    subset[0, :] = False # 第一列
    subset[0, arr[0]] = True # 左上角为True
    for i in range(1, len(arr)):
        for s in range(1, s+1):
            if arr[i] > s:
                subset[i, s] = subset[i-1, s]
            else:
                A = subset[i-1, s - arr[i]]
                B = subset[i-1, s]
                subset[i, s] = A or B
    r, c = subset.shape # 返回这个numpy的行列数
    return subset[r-1, c-1] # 返回右下角的值即结果