一文详解动态规划【更新ing】

动态规划在面试中的重要性

       动态规划是面试中最常见的面试题型，面试难度相对较高，也能很好的辨认面试者对于数据结构的掌握水准，同时也可以对面试者的思维严谨性、逻辑完备性、算法功底扎实性进行全方位的考察。
       动态规划的一些理论知识这里就一笔带过了。比如，动态规划的题目需要满足三大特性：最优子结构、重叠子问题和无后性。这里主要是针对leetcode实战来进行的，因此，本文主要针对的是解题方向。

动态规划题型分类

       动态规划有很多类型，这里按博主的理解，主要分为一维dp和二维dp，一维dp基本是简单问题，二维dp主要有背包问题、区间dp、博弈dp、树形dp等。接下来，博主不定期更新每一个类型的dp问题，旨在和大家一起解决dp问题，碰到dp不再难。

一维dp

该部分dp相对二维dp来说一般题目比较好想，通常的解题思路如下：
1、定义dp数组，明确第i个状态时dp[i]代表的含义是什么。
2、明确i-1、i、i+1等状态之间的状态转移关系式。
3、明确对于dp数组来说，badcase是什么。
经过以上三个步骤，一般情况下，一维dp不是问题了。

下面开始解题：

53、最大子序和

53、最大子序和leetcode链接
题目：

给定一个整数数组 nums ，找到一个具有最大和的连续子数组（子数组最少包含一个元素），返回其最大和。

示例:

输入: [-2,1,-3,4,-1,2,1,-5,4]
输出: 6
解释: 连续子数组 [4,-1,2,1] 的和最大，为 6。

思路分析:
我们先看一下当前情况下的子数组的最大和，

子数组	最大和
[-2]	-2
[-2, 1]	-2 + 1 = -1
[-2, 1, -3]	-2 + 1 = -1
[-2, 1, -3, 4]	4
[-2, 1, -3, 4,-1]	4
[-2, 1, -3, 4, -1, 2]	4+(-1)+2=5
[-2, 1, -3, 4, -1, 2, 1]	4+(-1)+2+1=6
[-2, 1, -3, 4, -1, 2, 1, -5]	4+(-1)+2+1=6
[-2, 1, -3, 4, -1, 2, 1, -5, 4]	4+(-1)+2+1=6

假设dp[i]是以nums[i]为结尾的子数组的最大和，
dp[i-1]是以nums[i-1]为结尾的子数组的最大和，那么dp[i]和dp[i-1]的关系是：
dp[i-1] + nums[i] 和 nums[i]当中取大的。
即：
dp[i] = max(dp[i-1] + nums[i], nums[i])
代码如下：

class Solution:
    def maxSubArray(self, nums: List[int]) -> int:
        if not nums or len(nums) == 0:
            return 0
        # 以nums[i]为结尾的最大子序和
        dp = [0 for _ in range(len(nums))]
        for index in range(len(nums)):
            dp[index] = max(dp[index-1] + nums[index], nums[index])
        return max(dp)

二维

二维动态规划问题主要有：

背包问题

背包问题系列请参考博主博客：

区间dp

树形dp

博弈dp

两重dp

五个类别问题，接下来，分系列进行介绍。