动态规划简述

动态规划经典题目之最大子序和

​ 最近在学习动态规划算法，通过一道经典例题：最大子序和（力扣-53题）来分享一下动态规划的算法思想。

一、什么是动态规划

​ 动态规划（Dynamic Programming)是一种大事化小、小事化无的解决问题方式。在将大规模问题化解为小规模问题的过程中，保存对每个小规模问题的处理结果，这样在后面处理大规模问题时，可以直接使用这些小规模问题的结果。

二、动态规划的特点

动态规划具备下列三个特点

1. 把原来的问题分解成几个相似的子问题；
2. 所有的子问题都只需要解决一次；
3. 存储子问题的解。

三、动态规划的解决方法

​ 首先我们考虑写出一个子问题状态的定义设置为f(n)，对第一个子问题求解，就是f(1)，对第二个子问题求解就是f(2)···这里对状态定义的要求就是：一定要形成递推关系。

​ 接下来利用前i - 1个f(n)，通过一个式子求出第i个状态的结果，即f(i) = f(f(1),f(2),···f(i - 1))，这个式子就是状态转移方程，我们在思考如何用f(1)…f(n -1)求出f(n)的过程实际就是在列出状态方程的过程。

下面利用题目进行实战尝试，题目描述及示例如下：

假设整数数组nums的长度是n，那么其下标为0~n-1。首先定义出状态，f(i)代表nums数组以第i个数字作为结尾时连续子数组的最大和，那我们的结果肯定是:
$$max(f(0)...f(n-1))$$
所以我们只需要求出每个位置的f(i)，然后返回其中最大的那个就是我们所需要的结果。

那么如何求出f(i)呢？

我们可以将nums[i]这个数字与它和前面第(i - 1)个解之和进行比较，取两者之间更大的那个，因此状态转移方程应该是：
$$f(i)=max(f(i-1)+nums[i],nums[i])$$
这里也很好理解，如果f(i - 1) + nums[i]的和更大，那么nums[i]就加入这个子序列，变成目前最大的子序列，如果两者之和还没有nums[i]自己大，那就另起炉灶，将nums[i]这个数字作为数组以i为结尾连续子数组的最大和。

代码如下：

class Sloution{
public:
    int maxSubArray(vector<int>& nums){
        int n = nums.size();
        vector<int>dp(n,0);//构造一个与nums数组一样长的dp数组，用来存放子数组的最大和
        dp[0] = nums[0];//以第一个数字为结尾的最大子序列和只能是它本身，这是状态的初始化部分
        int ret = nums[0];//ret用来存放dp数组中最大的值
        for(int i = 1; i < n; i++){
            dp[i] = max(dp[i - 1] + nums[i], nums[i]);//当前以i为结尾的连续最大子序列的和
            if(ret < dp[i]){
                ret = dp[i];//也可不设置ret变量，最后将dp数组遍历一遍找到最大值，但是会多进行一次规模为N的循环。
            }
        }
        return ret;
    }
    
};

总结：

动态规划问题需要考虑的重点是：

1. 如何定义状态，即f(i)；
2. 如何写出状态间的状态转移方程，即如何用f(1)···f(i - 1)表示出f(n)；
3. 状态的初始化，即注意边界部分；
4. 勤加练习，多多总结。