动态规划（总结）

参考链接：动态规划（python) 回溯法

总结：首先穷举法，备忘录，动态规划优化

理解递归与非递归方法的区别
从斐波那契数列看动态规划

def fibnacci(n):#（递归法）复杂度为O（2^n)
    if n == 1 or n == 2:
        return 1
    else:
        return fibnacci(n - 1) + fibnacci(n - 2)

使用一个数组充当【备忘录】，也可以是字典

def fibnacci_n_recurision(n):#备忘录存储子问题答案，复杂度O(n)
    f = [0, 1, 1]
    if n > 2:
        for i in range(n - 2):
            num = f[-1] + f[-2]
            f.append(num)
    return f[n]

总结：
1.递归是【自顶向下】的方法；动态规划是【自底向上】，即动态规划一般都脱离了递归，而是由循环迭代完成计算。
2.动态规划的思想==递归式+重复子问题
3.动态规划遵循一套固定的流程：递归的暴力解法——>带备忘录的递归解法——>非递归的动态规划解法。这个过程是层次递进 的解决问题的过程。
=====================================================================================
动态规划
定义：把多阶段的过程转化为一系列单阶段问题，利用各阶段之间的关系，逐个求解，创立了解决这类过程优化问题的新方法——动态规划。
1.1.使用动态规划特征
1.求一个问题的最优解
2.大问题可以分解为子问题，子问题还有重叠的更小的子问题
3.整体问题最优解取决于子问题的最优解（状态转移方程）
4.从上往下分析问题，从下往上解决问题
5.讨论底层的边界问题
1.2基本思想
若要解一个给定问题，我们需要解其不同部分（即子问题），再合并子问题的解以得出原问题的解。
三个概念：最优子结构，边界，状态转移方程

例题分析：
1.钢条切割(收益最大）
这钢条长度与出售价格之间的关系

1.2递推式解决
分析：可以将求解规模为n的原问题，规划为规模更小的子问题，完成一次切割后，可以将产生的两段钢条看成两个独立的钢条切割问题，结合两个子问题的最优解，并在所有可能的两段切割方案中选取组合收益最大的，构成原问题的最优解。
设长度为n的钢条切割后最优收益值为r(n)，可以得到递推式：

代码实现：

def cut_rod_recurision_1(p, n):
    if n == 0:
        return 0
    else:
        res = p[n]
        for i in range(1, n):
            res = max(res, cut_rod_recurision_1(p, i) + cut_rod_recurision_1(p, n - i))
        return res

1.3递推式简化

代码实现：

def _cut_rod(p, n):
    if n == 0:
        return 0
    q = 0
    for i in range(1, n+1):
        q = max(q, p[i] + _cut_rod(p, n-i))
    return q

2动态规划实现
思想：1.每个子问题只求解一次，保存求解结果
2.之后需要此问题时，只需要查找保存的结果
代码实现：复杂度O（n^2)

def cut_rod_dp(p, n):
    r = [0 for _ in range(n+1)]
    for j in range(1, n+1):
        q = 0
        for i in range(1, j+1):
            q = max(q, p[i]+r[j-i])
        r[j] = q
    return r[n]

def cut_rod_dp(p, n):
    r = [0]
    for i in range(1, n+1):
        res = 0
        for j in range(1, i+1):
            res = max(res, p[j]+r[i-j])
        r.append(res)
    return r[n]