动态规划

动态规划

1. 动态规划的定义

一种数学优化的方法，同时也是编程的方法

2.重要属性

1. 最优子结构Optimal Substructure
   • 状态转移方程$f(n)$
2. 重叠子问题Overlapping Sub-problems
   
   例：最长上升子序列求解

from typing import List


def length_subsquence(nums: List[int]) -> int:
    if not nums:
        return 0
    n = len(nums)
    # # dp[i]表示以第i个元素结尾的最长递增子序列长度,初始值为1
    dp = [1 for _ in range(n)]
    # 遍历每一个元素，求以每一个元素为结尾的最长递增子序列长度
    for i in range(n):
        for j in range(i):
            # 遍历i前面的所有元素，如果nums[j] < nums[i]，则求一次dp[i] = max(dp[i],dp[j] + 1)
            if nums[i] > nums[j]:
                dp[i] = max(dp[i], dp[j] + 1)
    return max(dp)

if __name__ == '__main__':
    li = [10, 9, 2, 5, 4, 7, 103]
    res = length_subsquence(li)
    print(res)

3.动态规划结题难点

• 应当采用什么样的数据结构来保存什么样的计算结果
• 如何利用保存下来的计算结果推到出状态转移方程

4.动态规划分类

线性规划

• 各个子问题的规模以线性的方式分布
• 子问题的最佳状态或结果可以存储在一维线性的数据结构中。例如：一维数组，哈希表
• 通常我们会用dp[i]表示第i个位置的结果，或者从0开始到第i个位置为止的最佳状态或结果
  基本形式
• 当前所求的值仅仅依赖于有限个先前计算好的值，即dp[i]仅仅依赖于有限个dp[j]，j<i
• 当前所求的值仅仅依赖于所有先前计算和的值，即dp[i]是各个dp[j]的某种组合，其中j又0遍历到i-1
  例如：斐波那契数列
  区间规划
• 各个子问题的规模由不同区间来定义
• 子问题的最佳状态或结果存储在二维数组中
• 这类问题的时间复杂度一般为多项式时间，即对于一个大小为n的问题，时间复杂度不会超过n的多项式倍数
  约束规划
  在普通的线性规划和区间规划里，一般题目有两种需求：
• 统计
• 最优解
  非决定多项式
• 时间复杂度
  程序运行的时间随着问题规模扩大的增加得有多快
  非多项式级时间复杂度：指数级复杂度，如O($2^n$），O($3^n$)，全排列算法，复杂度为O($n!$)
  多项式级时间复杂度
  O($1$)，O($n$)，O($nlogn$)，O($n^2$)，O($n^3$)等