动态规划与最大子段和问题

先说说动态规划的思想：

动态规划(Dynamic Programming, DP)是一种求解最优化问题的算法思想。它的基本思想是将大问题分解为若干个相互依赖的小问题，通过求解小问题的最优解来得到整个问题的最优解。在求解过程中，使用一个表格(称为记忆化表)来存储子问题的解，从而避免重复计算。

动态规划算法通常包括以下几个步骤：

1. 定义状态：首先，需要确定问题的状态。状态可以表示为一个包含所有可能决策的变量的集合。例如，对于一个背包问题，状态可以表示为一个包含所有物品和它们的重量的数组。
2. 初始化：为每个状态分配一个初始值。这些初始值通常是问题的边界条件，即问题中已知的最小或最大值。
3. 构建状态转移方程：根据问题的特点，设计一个递推关系来描述状态之间的转移。这个关系通常是一个函数，它接受当前状态作为输入，并返回下一个状态。
4. 选择最优子结构：为了避免重复计算，需要确保只有当当前状态的最优解可用时才更新记忆化表中的值。这可以通过检查记忆化表中是否已经存储了当前状态的最优解来实现。
5. 回溯求解：根据状态转移方程从最后一个状态开始，逐步回溯到初始状态，以求解整个问题的最优解。

动态规划算法在许多实际问题中都非常有效，尤其是那些具有重叠子问题和最优子结构特征的问题。例如，旅行商问题、背包问题、最长公共子序列问题等都可以通过动态规划算法求解。

再来说说最大子段和：

记忆化表（数组b）是由每个不同结尾的子段推出来的。

 

而数组b中的元素又可以由前一个元素推出来，也就是说

b1 = max（a1，b0+a1）

往后依旧可以递推。

算法实现：

package com.hhmstu.Algorithmdesignandanalysis.Dynamicprogramming;

public class Maximumsubsegmentsum {
    public static void main(String[] args) {
        //测试数组
        int[] arr = {-2, 11, -4, 13, -5, -2};
        System.out.println("该数组的最长子段和为："+mss(arr));
    }

    //动态规划算法
    public static int mss(int[] arr) {
        //定义记忆化表,其长度和arr一致,用于存储以分别每一个元素结尾子段的最大子段和。
        int[] brr = new int[6];
        //记忆化表中的元素可以由前一个元素推出
        brr[0] = arr[0];
        for (int i = 1; i < arr.length-1; i++) {
            brr[i] = Math.max(arr[i],brr[i-1]+arr[i]);
        }
        //找出记忆化表中的最大值
        int max = 0;
        for (int i : brr) {
            if(i>max)
            {
                max = i;
            }
        }
        return max;
    }
}