学会了爬楼梯，还不会动态规划吗？——DP中的爬楼梯问题

1. 写在前面

哈喽，大家好，我是jiaoxingk， 本篇内容将带你从爬楼梯问题入门动态规划

动态规划作为算法题中比较重要的一章节了，同时也是比较难写的，但是找到规律之后，大部分题无非都是在经典问题上面做变形。

本篇文章重点在于通过题目来理解DP，并不是从晦涩难懂的概念讲起

下面，我们来看看DP中的爬楼梯问题：

2.  爬楼梯

掌握DP唯一能做的就是刷题，所以我们从一道简单的经典例题入手：

我们先来看看题目：

70. 爬楼梯

2.1 思路

2.1.1 分解子问题

我们从题目可得，我们求的是到达第n阶的方法数，那么我们应该从这个n出发，找到与它相似的、规模更小的子问题。

比如，我们现在求到达n - 1、n - 2  .. . ... 到达第1阶的方案数。

显然，到达第1阶的方案数，我们是清楚的。

我们解决DP问题的时候，就应该将大问题转换为规模更小、更相似的小问题。因为这样，我们就可以通过递归或者递推的形式一步一步从小的求出大的。（就跟剥洋葱一样，你要知道里面是什么，你就得一层一层拨开）

 2.1.2 状态定义和状态转移方程

我们要求的是到达第n层的方案数

那么，我们可以定义状态为： ： 从0阶开始，到达第阶的方案数

现在，问题来了，为什么可以这样定义呢？

我们可以先枚举一下，从0开始的方案数：

1   1    2    3    5......

我们每次可以走1步或者2步，现在考虑走到第3阶的情况：

• 从1阶走上来
• 从2阶走上来

这两种情况是相互独立的，所以通过加法原理，就可以求得第3阶的情况了，所以我们扩展到n的形式：

加法原理是分类计数原理，常用于排列组合中，具体是指：做一件事情，完成它有n类方式，第一类方式有M1种方法，第二类方式有M2种方法，……，第n类方式有Mn种方法，那么完成这件事情共有M1+M2+……+Mn种方法。

  

要么从n - 1走上来，要么从n - 2走上来。

以上就是状态转移方程。

2.1.3 初始化

0阶：1种

1阶：1种

2.2 代码实现

class Solution:
    def climbStairs(self, n: int) -> int:
        f = [0] * (n + 1)
        f[0] = 1
        f[1] = 1
        for i in range(2 , n + 1):
            f[i] = f[i - 1] + f[i - 2]
        return f[n]

3. 结尾

本篇文章只是简单从爬楼梯问题引入了动态规划，可以看到通过DP的形式，我们可以逐步推导出当前的状态，是非常简洁和方便的。