DP概念和编程方法

应用场景

DP是求解多阶段决策问题最优化的一种算法思想，它用于解决具有重叠子问题、具有子结构特征的问题。

能够解决的问题所具有的特征

重叠子问题、最优子结构。用DP可以高效率的处理具有这两个特征的问题。

1. 重叠子问题

        首先，子问题是原大问题的小版本，计算步骤一致；其次，计算大问题时，需要多次重复计算小问题。这就是重叠子问题。

        但是值得我们思考的是：在一些时候我们对一个同样的子问题会进行多次重复计算，耗费了大量的时间（参考斐波那契数列）。用DP处理重叠子问题时，每个子问题只计算一次，从而避免了重复计算，这就是DP效率高的原因。

        具体做法：首先分析得到最优子结构，然后递归或带记忆化搜索的递归进行编程，从而实现高效的计算。

        下面是递归法求解斐波那契数列：

int fib(int n){
    if(n==1||n==2) return 1;
    return fib(n-1)+fib(n+2);
}

        用纯递归的方法来解决问题的时间复杂度为O(2^n),可以看出非常浪费时间。

（DP代码往下看）

2. 最优子结构：

        在我们使用DP时，我们需要注重DP的一个性质就是“无后效性”。简单来说就是你现在做的事情与未来没有关系（参考斐波那契数列）。无后效性时DP的必要条件。因为只有这样我们才能降低算法的复杂度，应用DP才有意义。

DP的两种编程方法

        处理DP中的大问题和小问题。有两种思路：自顶向下（先大问题，再小问题）；自底向上（先小问题，再大问题）。

1.自顶而下与记忆化

int memoize[N];
int fib(int n){
    if(n==1||n==2) return 1;
    if(memoize[n]!=0) return memoize[n];
    memoize[n]=fib(n-1)+fib(n-2);
    return memoize[n];
}

线性规划的时间复杂度为O(n)。相比上面的代码，时间复杂度得到了极大的改善。

2.自底而上与制表递推

这种方法与自顶而下相反，避免了递归编程。我们需要一个表（dp[]）来维护我们的数据。

const int N = 255;
int dp[N];
int fib(int n){
    dp[1]=dp[2]=1;
    for(int i=3;i<=n;i++){
        dp[i]=dp[i-1]+dp[i-2];
    }
    return dp[n];
}

代码的时间复杂度也为O(n).

下节分享DP的设计和实现