何为动态规划

原篇：看一遍就理解：动态规划详解 - 知乎

• 什么是动态规划？
• 动态规划的核心思想
• 动态规划的解题套路
• 一个例子走进动态规划

什么是动态规划？

动态规划（英语：Dynamic programming，简称 DP），通过把原问题分解为相对简单的子问题的方式求解复杂问题的方法。动态规划常常适用于有重叠子问题和最优子结构性质的问题。简单来说，动态规划其实就是，给定一个问题，我们把它拆成一个个子问题，直到子问题可以直接解决。然后呢，把子问题答案保存起来，以减少重复计算。再根据子问题答案反推，得出原问题解的一种方法（类似于递推）。

动态规划核心思想

动态规划最核心的思想，就在于拆分子问题，记住过往，减少重复计算。

动态规划的解题套路

什么样的问题可以考虑使用动态规划解决呢？

★ 如果一个问题，可以把所有可能的答案穷举出来，并且穷举出来后，发现存在重叠子问题，就可以考虑使用动态规划。
 

比如一些求最值的场景，如最长递增子序列、最小编辑距离、背包问题、凑零钱问题等等，都是动态规划的经典应用场景。

动态规划的解题思路

动态规划的核心思想就是拆分子问题，记住过往，减少重复计算。 并且动态规划一般都是自底向上的，因此我总结了一下我做动态规划的思路：

• 穷举分析
• 确定边界
• 找出规律，确定最优子结构
• 写出状态转移方程

例如：最长上升子序列

题目描述

这是一个简单的动规板子题。

给出一个由n(n≤5000) 个不超过 10^6 的正整数组成的序列。请输出这个序列的最长上升子序列的长度。

最长上升子序列是指，从原序列中按顺序取出一些数字排在一起，这些数字是逐渐增大的。

输入格式

第一行，一个整数 n，表示序列长度。

第二行有 n 个整数，表示这个序列。

输出格式

一个整数表示答案。

输入 #1复制

6
1 2 4 1 3 4

输出 #1复制

4

1.穷举分析

寻找数组a[i]的最长递增子序列长度跟什么有关系，显然a【i】的长度与比i下标小的数有关。我们用dp数组存放最长递增子序列长度，由案例分析，当n=1时，数组只有1，那么dp【1】=1，当n=2时，数组为1 2，那么dp【2】=2，当n=3时，dp【3】=3，当n=4时，dp【4】=1，当n=5时，dp【5】=3，当n=6时，dp【6】=4。

分析找规律，拆分子问题

通过上面分析，我们可以发现一个规律：如果新加入一个元素a[i],最长递增子序列要么是以a[i]结尾的递增子序列，要么就是a[j]的最长递增子序列在加上元素a【i】（即加1），其中j就是下标比i小的下标，并且a【j】也要比a【i】小。

最简单的边界情况

当a数组只有一个元素时，最长递增子序列的长度dp(1)=1,当a数组有两个元素时，dp(2) =2或者1， 因此边界就是dp(1)=1。

确定最优子结构

从穷举分析，我们可以得出，以下的最优结构：

dp(i) =max(dp(j))+1，存在j属于区间[0，i-1],并且num[i]>num[j]。

max(dp(j)) 就是最优子结构。

状态转移方程

数组a[i]的最长递增子序列就是：

最长递增子序列 =max(dp[i])

 实现代码：

#include<bits/stdc++.h>
using namespace std;
int a[5010],dp[5010],maxn=0;
int main(){
	ios::sync_with_stdio(false);
	int n;
	cin >> n;
	for(int i=1;i<=n;++i)
	{
	  cin >> a[i];
	}
    for(int i=1;i<=n;++i)
	{
	  dp[i]=1;//边界都为1
	  for(int j=1;j<i;++j){//j必须比i小
	  	if(a[j]<a[i]){//当a【j】比a【i】小时，dp【i】最大递增子序列就是dp【j】+1
	  		dp[i]=max(dp[i],dp[j]+1);//比a【i】小的数有多个，我们只要最大的序列，因此需要用max函数和自身比较，求出最大子序列
		  }
		  maxn=max(maxn,dp[i]);//另开一个变量存储最大子序列长度
	  }
	}
	cout << maxn << endl;
	return 0;
}