动态规划算法详解与应用

动态规划算法详解与应用

动态规划（Dynamic Programming，简称DP）是一种用于解决最优化问题和计数问题的高效算法设计方法。它通过将复杂问题分解为子问题，并存储子问题的解（避免重复计算），最终组合出原问题的解。以下是动态规划的详细讲解：

---

核心思想

1. 分治思想：将大问题分解为重叠的子问题。
2. 记忆化存储：保存子问题的解（通常用数组或哈希表），避免重复计算。
3. 递推关系：找到子问题与原问题之间的状态转移方程。

---

适用条件

1. 重叠子问题：问题可以被分解为多次重复计算的子问题。
   • 例如斐波那契数列：F(n) = F(n-1) + F(n-2)。
2. 最优子结构：问题的最优解包含子问题的最优解。
   • 例如最短路径问题：A→B→C的最短路径包含A→B的最短路径。

---

动态规划的步骤

1. 定义状态
   • 明确问题的状态变量（例如dp[i]表示第i个斐波那契数）。
2. 确定状态转移方程
   • 描述状态之间的关系（例如dp[i] = dp[i-1] + dp[i-2]）。
3. 初始化边界条件
   • 设置初始值（例如dp[0] = 0, dp[1] = 1）。
4. 选择计算顺序
   • 自顶向下（递归+记忆化）或自底向上（迭代填表）。
5. 输出结果
   • 从最终状态提取答案（例如dp[n]）。

---

经典问题示例

1. 斐波那契数列

• 问题：计算第n个斐波那契数。
• 状态转移方程：

  dp[i] = dp[i-1] + dp[i-2]
  

• 代码实现（自底向上）：

  def fib(n):
      dp = [0, 1] + [0] * (n-1)
      for i in range(2, n+1):
          dp[i] = dp[i-1] + dp[i-2]
      return dp[n]
  

2. 背包问题（0-1 Knapsack）

• 问题：在容量限制下选择物品，使总价值最大。
• 状态定义：
  dp[i][w]表示前i个物品在容量w下的最大价值。
• 状态转移方程：

  dp[i][w] = max(dp[i-1][w], dp[i-1][w - weight[i]] + value[i])
  

3. 最长递增子序列（LIS）

• 问题：找到数组中最长的严格递增子序列长度。
• 状态转移方程：

  dp[i] = max(dp[j] + 1 for j in range(i) if nums[j] < nums[i])
  

---

动态规划的两种实现方式

1. 自顶向下（Top-Down）

   • 递归 + 记忆化（备忘录法），适合子问题较少的情况。
   • 示例（斐波那契数列）：

     memo = {0: 0, 1: 1}
     def fib(n):
         if n not in memo:
             memo[n] = fib(n-1) + fib(n-2)
         return memo[n]
     

2. 自底向上（Bottom-Up）

   • 迭代填表，通常更高效（避免递归开销）。
   • 示例（斐波那契数列见前文）。

---

常见优化技巧

1. 空间优化：
   • 如果状态转移仅依赖前几个状态，可压缩DP表（例如斐波那契中用两个变量代替数组）。
2. 状态压缩：
   • 用位运算或滚动数组减少空间（例如0-1背包问题的一维数组解法）。
3. 剪枝：
   • 提前终止不必要的计算（例如某些问题中dp[i]达到阈值后停止）。

---

动态规划 vs 贪心算法

• 动态规划：考虑所有子问题，保证全局最优。
• 贪心算法：每一步局部最优，但不一定全局最优（例如部分背包问题可用贪心，0-1背包不行）。

---

练习题推荐

1. 爬楼梯（斐波那契变种）
2. 硬币兑换（完全背包问题）
3. 编辑距离（二维DP经典）