动态规划/dp学习

先说一下我最近学习的感受：

现在开始了动态规划的学习，较之前的贪心算法，难度提高了。主要是问题难分析、思路难想…贪心果然是最简单的一种算法。dp问题暂时没找到什么既具体详实又普适性高的规律，只有一点基本概念的理解，对此老师给出的建议有点硬核，就是硬做。熟能生巧，培养自己做题的感觉，革命尚未成功，同志仍需努力。

我对于动态规划的一点理解：

动态规划的基本思路就是穷举，在最优子结构和无后效性的前提下，分阶段列举出所有情况，最终找到符合自己所要求的那组数据。
因为前一阶段的决策会影响后一阶段的决策，难点就在于状态转移方程的确定和寻找边界条件，在做dp题中，递推的思想很重要。

小技巧：

我们在做dp题的时候，一定会用到数组（一维数组或二维数组都有可能）和循环（一重循环和二重循环都有可能），在处理大的数据时，空间复杂度和时间复杂度就可能会很大，所以一点小小的优化是必要的。
空间复杂度的优化：滚动数组的应用；
时间复杂度的优化：记忆化搜索；

经典例题：

复杂问题大部分可转化为简单问题，几个经典例题，能变形应用于大多数的题目中。
1.最长上升子序列：
输入一行数据，求长度最大的上升子序列：
状态设计：
dp[i]代表以a[i]结尾的LIS的长度 ；
状态转移方程：
dp[i]=max(dp[i], dp[j]+1)
边界处理：
dp[i]=1 ；
2.最长公共子序列：
给出两个字符串A,B，求两字符串的最长公共子序列；
状态设计：
dp[i][j]代表以a[i],b[j]结尾的LCS的长度 ；
状态转换方程
if(s1[i]==s[j])
dp[i][j]==d[i-1][j-1]+1;
if(s1[i]!=s2[j])
dp[i][j]=max（dp[i-1][j]，dp[i][j-1]);
边界处理：
dp[i][0]=0 ；dp[0][j]=0;
3.最长字段和问题
给出一个序列，从该序列中取出一连续的子串使其最大；
状态设计：
dp[i] (1 <= i <= N) 表示以 a[i] 结尾的最大连续子段和。
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)