动态规划算法初识

先来说一下几种经典算法大概的意思是：

1. 贪心算法：就一次机会，为了达到目的，其他什么都不用想
2. 回溯算法：有无数次机会，一定要达到目的
3. 动态规划算法：能随意在任何时候进行存档读档，用最华丽的方法走到终点

接下来主要围绕动态规划来说说，去解释动态规划算法的内在。。。。

简述

动态规划求解出最优策略的原理是因为显著的降低了时间复杂度，提高了代码的运行效率，但动态规划确实是有点难学，不过一旦了解了解决思路，对于很多动态规划的问题，都可以用相似的思路去解决。。

用实际问题更好的去理解动态规划

0-1背包问题

在前面的文章中的回溯算法中，知道了如何采用递归的思想穷举所有算法，选出最优去解决问题， 同样的问题如果要对于一组不同重量、不可分割的物品，选择一些装入背包，在满足最大重量限制的前提下，如何最贴近最大重量。。

首先用一下递归树来看一下回溯的思路：

首先假设每个物品重量是2 2 4 6 3，假设i表示将要决策第几个物品是否装入背包，cw 表示当前背包中物品的总重量，然后用(i,cw)。比如(2,2)表示将要决策第2个物品是否要装入背包，决策前，背包的总重为2。

可以从递归树明显的看出，有些子问题的求解是重复 的，重复的计算必然会造成性能的丢失，如果能保留之前的结果， 计算之前先检索一下，如果计算过直接拿过来用，肯定会提升下性能。。。

事实上，动态规划的思路已经和这相差无几，来看看动态规划的思路：

1. 首先将整体求解分为n个阶段，每个阶段会决策一个物品是否放到包里。
2. 不论放入还是不放入，背包的重量假设都造成了变化，而这些不同的变化，也对应着递归树的节点
3. 合并重复的节点，避免节点指数级增长
4. 基于这一层的节点，推导出下一层的状态集合。

用上面的思路，代入到0-1背包问题中做一个思路引导：

1. 首先创建一个布尔类型的二维数组states[n][w]，记录每个节点的不同状态。n代表第n个物品，w代表背包能承受的最大质量。。
2. 第0个(假设物品序列从0开始计算)物品的重量是2，放入，就是states[0][2]，不放入，就是states[0][0]，但是因为最大重量w是9，所以上面两个表达式的结果都是true。
3. 然后是第一个物品，重量也是2，那么造成的结果就是，states[1][4],states[1][2],states[1][2],states[1][0]
4. 然后发现，有两个表达式重复了，所以合并掉，其他三个因为重量小于9，所以也是true
5. 不断继续，最后只需要选择最接近9还是true的就行

false表示0，true表示1，图如下：

代码表示如下：

这是动态规划总体的思路，而且时间复杂度比回溯的n²也有了很大的改善，是wn，n表示物品个数，w表示可以承载的总量。

但是为了能够解决所有情况，在存档的时候还是很占用空间的，那么什么办法可以降低空间消耗呢？？

实际上，可以将二维数组转换成一维数组，在动态转移的过程中都可以依靠这个一维数组来完成，看一下代码：

0-1背包问题升级版

如果将这些物品赋予价值概念，如何让背包最大可承受重量一定的时候让价值更高。。。

首先这个问题是可以通过回溯的算法解决的：

针对上面的代码画出递归树，和之前思路不同只不过加入了一个新的值：value

发现在很多情况下，重量相同但是价值有区别，这就是这个题目的目标，舍弃掉相对价值低的，保留相对价值更高的，保留递归的思路，其他状态不用考虑了。。

采用动态规划思想。。。

设一个二维数组states[n][w+1]，来记录每层都可以达到的不同状态，不过这次不再是布尔类型了，而是int类型，用来记录当前状态的最大价值，然后按照之前的思路根据当前的阶段，推导出后续状态。。。

代码如下：

其实思路和之前是相同的，但是这里引入了第三个变量，就是value，和之前的例子大同小异，时间复杂度是wn。。。