动态规划+斐波那契数

动态规划的基本概念

动态规划（Dynamic Programming，DP）是运筹学的一个分支，是求解决策过程最优化的过程。
动态规划算法通常用于求解具有某种最优性质的问题。在这类问题中，可能会有许多可行解。每一个解都对应于一个值，我们希望找到具有最优值的解。

基本思想：

问题的最优解如果可以由子问题的最优解推导得到，则可以先求解子问题的最优解，在构造原问题的最优解；若子问题有较多的重复出现，则可以自底向上从最终子问题向原问题逐步求解。

使用条件

• 最优化原理（最优子结构性质）

一个最优化策略具有这样的性质，不论过去状态和决策如何，对前面的决策所形成的状态而言，余下的诸决策必须构成最优策略。简而言之，一个最优化策略的子策略总是最优的。一个问题满足最优化原理又称其具有最优子结构性质

• 无后效性

将各阶段按照一定的次序排列好之后，对于某个给定的阶段状态，它以前各阶段的状态无法直接影响它未来的决策，而只能通过当前的这个状态。换句话说，每个状态都是过去历史的一个完整总结。这就是无后向性，又称为无后效性

• 子问题的重叠性

动态规划算法的关键在于解决冗余，这是动态规划算法的根本目的。动态规划实质上是一种以空间换时间的技术，它在实现的过程中，不得不存储产生过程中的各种状态，所以它的空间复杂度要大于其他的算法。选择动态规划算法是因为动态规划算法在空间上可以承受，而搜索算法在时间上却无法承受，所以我们舍空间而取时间

例子：

斐波那契数（力扣509）

我们使用递归+动态规划来解决。

/**
 * @param {number} n
 * @return {number}
 */
var fib = function (n) {
    // 动态规划
    if (n == 0 || n == 1) {
        return n
    }
    let prev1 = 0;
    let prev2 = 0;
    let result=1
    for (let i = 2; i <= n; i++) {
        prev2 = prev1
        prev1 = result
        result = prev1 + prev2
    }
    return result

    // 递归暴力解法
    if(n==0||n==1){
        return n
    }
    return fib(n-1)+fib(n-2)
};