动态规划

什么是动态规划

我们首先看一下递归求斐波那契数列的函数：

int fib(int n){
    if(n==1||n==2)
        return 1;
    else
        return fib(n-1)+fib(n-2);
}

假设我们输入的参数是5，那么求解过程为：

会发现其中有重复的计算，如fib(3)就算了两次，如果我们将规模扩大，那么重复的计算会更多。

为了避免重复计算，我们可以创建一个全局数组，存储fib(n)的值，当需要fib(n)时，可直接参与运算，而不需要再次递归。

#define Max 20
int dp[Max]={0};
int fib(int n){
    dp[1]=dp[2]=1;
    for(int i=3;i<=n;i++)
        dp[i]=dp[i-1]+dp[i-2];
    return dp[n];
}

这样就使时间复杂度从指数级降为了O(n),大大提高了算法效率。
这就是经典的动态规划算法的应用，而这个全局数组就充当了一个记事本。

动态规划的适用问题

动态规划的核心思想就是把多阶段的过程转化为很多单阶段过程，利用各阶段之间的关系求解。

动态规划算法的使用要包含3个条件：

（1）最优性原理：指问题的最优解所包含的子问题的解也是最优的，这样便可通过最优子问题的解最终求出问题的最优解。

（2）无后效性：一个确定了的状态不受后面状态的影响，比如一旦求出fib(3)=2,它就一直等于2，与之后的计算无关。

（3）有重叠子问题：即子问题之间有联系，比如斐波那契数列中新的一项等于前两项之和。

例题

求将正整数n无序拆分成最大数为k的拆分方案个数，要求所有的拆分方案不重复。

分析：首先我们看能否将这个问题转化为多个单阶段过程，题目要求最大值为k，那么我们可以将拆分分为两种：一种包含k；另一种不包含k。对于包含k的方案，可以理解为一个k和后面剩余的数，而后面的数中还有可能再次出现k,就相当于在把后面和为n-k的数进行拆分，最大值为k；假设存在一个函数f(n,k)能表示题目要求的拆分次数，那么包含k的方案就有f(n-k,k)种。同样，对于不包含k的方案，既然不包含他的最大值，我们就可以直接将其最大值改为k-1，即f(n,k-1);这样，我们就找到了当前状态与前面状态的关系：f(n,k)=f(n-k,k)+f(n,k-1),很显然它满足我们上面所说的3个条件，那么就可以使用动态规划求解。

确定了可以使用动态规划之后，最重要的一步就是找到状态方程，也就是前后子问题之间的关系。在上面推出的f(n,k)=f(n-k)+f(n,k-1)只是我们默认n>k且n,k均不唯一的情况。完整考虑得出的状态方程如下：

f(n,k)=

1 n=1 or k=1
f(n,n) n<k
f(n,n-1)+1 n=k
f(n-k,k)+f(n,k-1) n>k

代码如下：

#define Max 20
int dp[Max][Max]={0};
int solve(int n,int k){
	for(int i=1;i<=n;i++)
		for(int j=1;j<=k;j++){
			if(i==1||j==1)
				dp[i][j]=1;
			if(i<j)
				dp[i][j]=dp[i][i];
			else if(i==j)
				dp[i][j]=dp[i][i-1]+1;
			else
				dp[i][j]=dp[i-j][j]+dp[i][j-1];
		}
	return dp[n][k];
}

此题也可以使用递归解决，读者可自行尝试，比较体会动态规划算法的优越性。

补充

动态规划在一些情况下可以进行空间上的优化。比如最初的求斐波那契数列的问题，我们可以发现，实际参与计算就是三个量：fib(n),fib(n-1)和fib(n-2)，但是我们却使用了长度至少为n的数组。实际上我们只需要定义一个长度为3的数组，通过数组的循环滚动使用来完成计算，我们称其为滚动数组。

代码如下：

int dp[3]={0};
int fib(int n){
	dp[1]=dp[2]=1;
	for(int i=3;i<=n;i++)
		dp[i%3]=dp[(i-1)%3]+dp[(i-2)%3];
	return dp[n%3];
}
dp[1]=dp[2]=1;
	for(int i=3;i<=n;i++)
		dp[i%3]=dp[(i-1)%3]+dp[(i-2)%3];
	return dp[n%3];
}

这样，算法的空间复杂度就由O(n)变成了O(1)。