动态规划(线性DP)学习简单总结（四）（21.4.3)

本周学习了一点动态规划算法，刚接触动态规划，感觉稍微有点难理解。一开始觉得它和贪心很像，都是寻找最优解，但看过一些例题后发现还是有很多不同之处。本来打算昨天写总结的，写了一点发现自己的认识还不是很清晰，似懂非懂的，就又花了一些时间重新回顾了一下例题，结合自己做的题目的理解，现做一点简单总结。
什么是动态规划呢？动态规划的主要思想是把问题分解成若干个子问题或者说子状态，综合每个子状态的最优解，进而求全局最优解。这里和贪心不同，贪心简单理解是一种状态寻找最优解的过程，而动态规划寻找全局最优，但不一定某个局部最优(个人理解)。
动态规划一般需要使用递归或递推实现。我们在探究一个状态的最优解时，往往会将其记录下来，以便处理其他状态时可以简化处理，这里可通过状态转移方程实现，在此基础上通过递归寻找最优解。在处理动态规划问题时，我们一般会将问题建模成一维数组或者二维数组，再通过循环实现递推求解。
基本概念理解还不够明确，下面再通过回顾几个例题加深一下认识。

•吃金币问题(最简单的动态规划)
子状态我理解为到达每一格的最大金币数，每格的到达方式从左或从上，所以动态转移方程为比较从左或从上的最大值加当前格的值即为到达本格的最大金币数，结合递归，方程如下F[a][b]=max(F[a-1][b],F[a][b-1])+Coin[a][b]
本题比较简单，不过多描述。

•最长上升子序列
这里先明确一下子序列的概念，简单地说子序列不一定连续但在原序列里的前后顺序不可变。再说这个题的思路，每个状态可以理解为以每个位置为终点的最长上升子序列。这里需要通过双重循环实现，外循环记录终点位置，内循环记录终点前的点，利用一个一维数组记录终点位置子序列的最大长度和一个变量记录终点前点递增位置的子序列长度。
简单说就是如果以当前点为终点，找之前小于当前位置的点的最大子序列，在此基础上加1作为当前点的最大子序列。这只是一种情况，还需结合每一个位置为终点的情况再求出一个最终解。
个人想法：（假期里做过类似的题，当时不知道动态规划，看到这题的最初思路是从前往后循环，以每一个位置为起点，找其后的递增序列，将其数量记录在当前位置，最后找每个位置最大值，感觉思路和老师讲的差不多，不过我写的代码比较长）

•最长公共子序列
解这个题需要抽象出一个二维数组，这个二维数组的第0行和第0列我们不用，让它默认为0，从第一行和列开始，行代表A串的每个字符位置，列代表B串的每个字符位置。这里需要用到双重循环实现，大循环循环A，小循环寻找B的每个位置与A的公共子序列，如果B的某位置与A当前位置字符相同，就在前一个公共子序列的基础上加一，如果不同，就找前一步最大的当做当前位置的值，画一个图增加理解
当A[i] == B[j] 时 ：DP[i][j] = DP[i-1][j-1] + 1
当A[i] != B[j] 时 ： DP[i][j] = MAX(DP[i-1][j] , DP[i][j-1])
二维数组最后一个位置即DP[n][m]就是最大值

个人想法：（这个题因为抽象出的二维数组，平时二维数组练的比较少，一开始不太理解，想了好久结合画图才稍微有点理解，后来有做了几道类似的，基本上都是用的都是这种思路，记忆不断加深，现做为模板题简写思路）

•最大子段和
这个题要求某子段全是复数和为0并且子段必须连续，处理方式跟找最长上升子序列类似，也是以每个位置结尾，找最大连续子段和，依然需要抽象出一个一维数组作为当前位置和的最大值，后一个在前一个最大值的基础上加上那个位置与0比较求最大作为后一个位置的最大值，最后找出所有位置为结尾的最大值。
状态转移方程：
dp[i] = max{a[i],0} (i = 1)
dp[i] = max{dp[i-1] + a[i], 0} (2 <= i <= N)
个人想法：（没学动态规划时，就想着直接遍历，把所有情况都列举出来，但时间肯定会超。学了动态规划，就这个题和求最长上升子序列的题，找共同点会发现这种一串数组子序列题可以把每个位置当做结尾，列状态转移方程再通过递归求解)

•最大子矩阵和
涉及到二维，难度增大，就想办法变一维，通过枚举最上行和最下行，将其求和将行变一个数，这样就可以变成不同的一维数组，每个一维数组转为最大子段和问题，再所有情况找最大解。
（以后遇到类似这样二维数组的题可以想想是否可以参照这种方法将其降维简化处理）

这几个都是动态规划题目里经典的模板题，从这几个题目里我们可以探寻出动态规划题的基本解题思路：
•分阶段
•建立动态转移方程
•找边界
•递归

心得体会：新知识的理解需要反复认识，这种认识包括吃透例题，不断强化练习。虽然刚开始时理解稍有困难，但我相信通过不断强化，不断地学习，多做不同题型，最后一定会熟练的发现动态规划题，并能最快的解决问题。