动态规划 第0讲：基础入门课

参考博文：
1、经典中的经典算法:动态规划(详细解释,从入门到实践,逐步讲解) 作者：BS有前途
2、告别动态规划，连刷40道动规算法题，我总结了动规的套路（微信公众号：帅地玩编程）
3、LeetCode：120 三角形最小路径和 动态规划解法 O(n)空间 作者：AkagiSenpai

一、动态规划的定义：

维基百科：
动态规划（Dynamic Programming, DP）在查找有很多重叠子问题的情况的最优解时有效。它将问题重新组合成子问题。为了避免多次解决这些子问题，它们的结果都逐渐被计算并被保存，从简单的问题直到整个问题都被解决。因此，动态规划保存递归时的结果，因而不会在解决同样的问题时花费时间。
动态规划只能应用于有最优子结构的问题。最优子结构的意思是局部最优解能决定全局最优解（对有些问题这个要求并不能完全满足，故有时需要引入一定的近似）。

动态规划算法是通过拆分问题，定义问题状态和状态之间的关系，使得问题能够以递推的方式去解决。
动态规划算法的基本思想与分治法类似，也是将待求解的问题分解为若干个子问题（阶段），按顺序求解子阶段，前一子问题的解，为后一子问题的求解提供了有用的信息。在求解任一子问题时，列出各种可能的局部解，通过决策保留那些有可能达到最优的局部解，丢弃其他局部解。依次解决各子问题，最后一个子问题就是初始问题的解。

二、基本思想与解题策略:

动态规划，无非就是利用历史记录，来避免我们的重复计算。而这些历史记录，我们得需要一些变量来保存，一般是用一维数组或者二维数组来保存。
1、首先是拆分问题，就是根据问题的可能性，把问题划分成一步一步。这样就可以通过递推或者递归来实现。
关键就是这个步骤，动态规划有一类问题就是从后往前推。有时候我们很容易知道：如果只有一种情况时，最佳的选择应该怎么做。然后根据这个最佳选择往前一步推导，得到前一步的最佳选择。
2、找出数组元素之间的关系式，我觉得动态规划，还是有一点类似于我们高中学习时的归纳法的，当我们要计算 dp[n] 时，是可以利用 dp[n-1]，dp[n-2]，…，dp[1]，来推出 dp[n] 的，也就是可以利用历史数据来推出新的元素值，所以我们要找出数组元素之间的关系式，例如 dp[n] = dp[n-1] + dp[n-2]，这个就是他们的关系式了。而这一步，也是最难的一步，后面我会讲几种类型的题来说。
3、为减少重复计算，对每一个子问题只解一次（重点），将其不同阶段的不同状态保存在一个二维数组中。比如我们找到最优解，我们一个先将最优解保存下来，为了往前推导时能够使用前一步的最优解，在这个过程中难免有一些相比于最优解差的解，此时我们应该放弃，只保存最优解，这样我们每一次都把最优解保存了下来，大大降低了时间复杂度。

三、详细代码分析、推导、改进

话不多说，咱们来看一道经典例题（Leetcode 120.Triangle）：

Given a triangle, find the minimum path sum from top to bottom. Each step you may move to adjacent numbers on the row below.

For example, given the following triangle

[
     [2],
    [3,4],
   [6,5,7],
  [4,1,8,3]
]
The minimum path sum from top to bottom is 11 (i.e., 2 + 3 + 5 + 1 = 11).

Note:

Bonus point if you are able to do this using only O(n) extra space, where n is the total number of rows in the triangle.

来源：力扣（LeetCode）
链接：https://leetcode-cn.com/problems/triangle
著作权归领扣网络所有。商业转载请联系官方授权，非商业转载请注明出处。

这道题是找最小和，只能从左下角和右下角加上去。
但是，下面因为借鉴了一篇博文，为了少写一下，我就搬运他的部分内容过来了。他是最大值，性质是一样的，并不影响对动态规划的理解。

下面我们开始来分析了，

代码 Vision-1：

注:这个版本的代码是最初版本的代码，之所以放上来，是为了方便理解动态规划。如果放到Leetcode，是超时的。
可以看出每走第n行第m列时有两种后续：向下（i+1，j）或者向右下(i+1，j+1)
最后一行可以当做边界条件，所以我们自然而然想到递归求解。