动态规划

什么是动态规划

动态规划(dynamic programming)是运筹学的一个分支，是求解决策过程(decision process)最优化的数学方法。把多阶段过程转化为一系列单阶段问题，利用各阶段之间的关系，逐个求解，创立了解决这类过程优化问题的新方法——动态规划。

使用动态规划特征：

1. 求一个问题的最优解
2. 大问题可以分解为子问题，子问题还有重叠的更小的子问题
3. 整体问题最优解取决于子问题的最优解（状态转移方程）
4. 从上往下分析问题，从下往上解决问题
5. 讨论底层的边界问题

动态规划最重要的有三个概念：
1、最优子结构
2、边界
3、状态转移方程

是一类优化问题：可分为多个相关子问题，子问题的解被重复使用

使用动态规划的条件
1.优化子结构
当一个问题的优化解包含了子问题的优化解时，这个问题具有优化子结构。
缩小子问题集合，只需那些优化问题中包含的子问题，降低实现复杂性。
优化子结构使得我们能自下向上地完成求解过程
重叠子问题
在问题的求解过程中，很多子问题的解将被多次使用
设计步骤

2.分析优化解的结构
递归地定义最优解的代价
自底向上地计算优化解的代价保存之，并获取构造最优解的信息
根据构造最优解的信息构造优化解

核心：记住已经求过的解。
方法：自顶向下备忘录法，自底向上

动态规划的思想

动态规划（ dynamic programming ）算法是解决多阶段决策过程最优化问题的一种常用方法，难度比较大，技巧性也很强。利用动态规划算法，可以优雅而高效地解决很多贪婪算法或分治算法不能解决的问题。

动态规划算法的基本思想是：将待求解的问题分解成若干个相互联系的子问题，先求解子问题，然后从这些子问题的解得到原问题的解；对于重复出现的子问题，只在第一次遇到的时候对它进行求解，并把答案保存起来，让以后再次遇到时直接引用答案，不必重新求解。动态规划算法将问题的解决方案视为一系列决策的结果，与贪婪算法不同的是，在贪婪算法中，每采用一次贪婪准则，便做出一个不可撤回的决策；而在动态规划算法中，还要考察每个最优决策序列中是否包含一个最优决策子序列，即问题是否具有最优子结构性质。

动态规划算法的有效性依赖于待求解问题本身具有的两个重要性质：最优子结构性质和子问题重叠性质。

1 、最优子结构性质。如果问题的最优解所包含的子问题的解也是最优的，我们就称该问题具有最优子结构性质（即满足最优化原理）。最优子结构性质为动态规划算法解决问题提供了重要线索。

2 、子问题重叠性质。子问题重叠性质是指在用递归算法自顶向下对问题进行求解时，每次产生的子问题并不总是新问题，有些子问题会被重复计算多次。动态规划算法正是利用了这种子问题的重叠性质，对每一个子问题只计算一次，然后将其计算结果保存在一个表格中，当再次需要计算已经计算过的子问题时，只是在表格中简 单地查看一下结果，从而获得较高的解题效率。

动态规划算法步骤设计

当我们已经确定待解决的问题需要用动态规划算法求解时，通常可以按照以下步骤设计动态规划算法：
1 、分析问题的最优解，找出最优解的性质，并刻画其结构特征；
2 、递归地定义最优值；
3 、采用自底向上的方式计算问题的最优值；
4 、根据计算最优值时得到的信息，构造最优解。
1 ～ 3 步是动态规划算法解决问题的基本步骤，在只需要计算最优值的问题中，完成这三个基本步骤就可以了。如果问题需要构造最优解，还要执行第 4 步； 此时，在第 3 步通常需要记录更多的信息，以便在步骤 4 中，有足够的信息快速地构造出最优解。

补充分析

动态规划算法实际上是一个以空间换时间的算法，通常可以把指数级的复杂度降低到多项式级别。动态规划实质是通过开辟记录表，记录已求解过的结果，当再次需要求解的时候，可以直接到那个记录表中去查找，从而避免重复计算子问题来达到降低时间复杂度的效果。
一个问题能不能用动态规划来求解，通常是判断有没有最优解结构，通过“剪切技术”来判断：即证明问题的一个最优解中，使用的子问题的解本身也必须是最优的。通常是假设一个子问题不是最优的，那么找到一个最优的子问题来替换这个子问题，那么产生的最优解将优于已找到的那个最优解，从而矛盾。

是否使用动态规划来求解问题，还有一个关键是有没有重复的子问题。这也是使用动态规划与贪心法的区别所在。贪心法求解的问题也满足最优解结构，只是它能够在每一步都能够“贪婪的”选出当前唯一的最优子问题，并且当前的选择，是不依赖以前的选择的，通过这种“贪婪的选择”选到最后时，就得到了全局的最优解了，不会产生重复的子问题。而动态规划，在一步选择的时候，是通过从以前求出的若干个与本步骤相关的子问题最优解中选择最好的那个，加上这一步的值，来构造这一步那个子问题的最优解，而如果以前求出的若干个子问题不保存下来，就需要重新求(通常是递归所致)。

以上来源于博客。