数据结构-动态规划【1】- 基本的思路和实例分析

动态规划（dynamic programming） 是通过组合子问题的解来求解原问题，动态规划应用于子问题重叠的情况，即不同的子问题具有公共的的子子问题。动态规划在这个过程中对每一个子问题只求解一次，将其保存在一个表格中，从而无需每次求解一个子问题时都重新计算，避免不必要的计算工作。

一、基本概念

用途：动态规划通常用来求解最优化问题（多阶段决策问题）。这类问题可以有很多可行解，每一个解都有一个值，我们希望寻找具有最优解（最大值或最小值）的解，我们称这样的解为问题的一个最优解，而不是最优解，因为可能有多个解都达到最优值。
特点：

• 重复子问题：因为存在大量重复子问题，才需要记录之前计算的结果
• 最有子结构：不同规模问题之间的关系
• 无后效性：只记录阶段结构，而不关心这个结果怎么来的

思路：

• 思路一：【自顶向下】：递归+记忆：少数问题这样做
• 思路二：【自底向上】：递推求解：绝大多问题都可以这样做，需要多思考这样方式，多用

二、状态转移方程

关键点在于【分类讨论】：状态转移很多时候就是在做【分类讨论】，把当前问题分成几个小问题，这些小问题的最优解构成当前问题的最优解，尝试思考大问题如何分类（分成多个小问题）

三、初始化

初始化过程同样重要，要重视.。
方法如下：

• 直接从语义出发定义初始化
• 从状态转移方程的下表出发思考初始化状态，注意数组下边不能越界，或者思考是否可以通过给状态数组（矩阵）多加一行（一列）从而避免复杂的初始化讨论

通常按如下4个步骤来设计一个动态规划算法：

• 刻画一个最优解的结构特征
• 递归地定义最优解的值
• 计算最优解的值，通常采用自底向上的方法
• 利用计算出的信息构造一个最优解

下面我们通过一个实例来说说：

5. 最长回文子串
   给定一个字符串 s，找到 s 中最长的回文子串。你可以假设 s 的最大长度为 1000。

当看到这个题目时，有什么想法呢？自己先思考思考!
首先我们来看下题目：

• 回文串：什么是回文串？回文串就是不管你是从左往右还是从右往左读，它的结果都是一样的，这就是回文串。
• 子串：那什么又是字串呢？就是这个串必须是连续的。
• 所以我们呢就可以理解回文子串了：”a“是一个回文子串，”bb“也是，”aabbaa“也是。

接下来我们用动态规划的问题来思考这个问题：
首先：（记S[i:j]为包括索引位置i和j在内的，i，j之间的字符串）
由上面的内容我们知道了什么是回文子串，我们继续思考，假如我们要去判断子串S[i:j]是不是子串，我们先判断S[i]是不是等于S[j]，如果不等于，那么S[i:j]就肯定不是回文子串，如果是则继续判断S[i+1:j - 1]是不是回文子串。注意是不是把问题的规模缩小了，将原问题转为问小一点的子问题。如下图所示：

接着，我们用dp[i][j]来记录S[i:j]是不是回文子串，
由上面的内容我们便可以得出递推公式：
dp[i][j] = False if s[i] not equl s[j] else dp[i + 1][j - 1]
有了上面的公式我们来处理下边界问题：
由于数组长度如果小于2则为真，即 j - 1 - (i + 1) + 1 < 2 ==> j - i < 3
首先给定i，j，如果此时j - i = 2，此时这个字串由三个长度，先是去判断s[i]是不是等于s[j]，如果不是就为False，如果是，那就一定是回文子串，你想一想是不是(自己在草稿纸上画图理解)；如果j - i = 1，此时长度为二，先是去判断s[i]是不是等于s[j]，如果不是就为False，如果是，那就一定也是回文子串。

好了边界条件处理好了，我们再来看看这个dp矩阵。
这个dp矩阵就是存储子问题的解，但是这里要注意自底向上的思路。最关键的就是那个递归公式：
dp[i][j] = dp[i + 1][j - 1]，则就引导我们要先去计算dp[i][j]的左下角的值，因此要从左往右一列一列的计算。

下面给出Python代码：

class Solution:
    def longestPalindrome(self, s: str) -> str:
        # 计算字符串s的长度
        len_s = len(s)
        # 特殊处理
        if len_s < 2:
            return s
        
        # 标记回文子串的起点索引和该回文子串的长度
        start, maxLen = 0, 1

        # 初始化dp，对角线的的值都为True，长度为1的子串都是回文子串
        dp = [[False] * len_s for _ in range(len_s)]
        for i in range(len_s):
            dp[i][i] = True
        
        # 动态求解dp矩阵
        for j in range(1, len_s):
            for i in range(j):
                if s[i] != s[j]:
                    dp[i][j] = False
                else:
                    # 边界的处理
                    if j - i < 3:
                        dp[i][j] = True
                    else:
                        dp[i][j] = dp[i + 1][j - 1]

                if j - i + 1 > maxLen and dp[i][j] :
                    maxLen = j - i + 1
                    start = i
         
        return s[start: start + maxLen]

参考资料：
【1】算法导论-第三版
【2】weiwei1419
【3】最长回文子串