初识 -- 动态规划

动态规划

简称DP【Dynamic Programming】，是求解最优化问题的一种常用策略。

通常的使用套路（一步一步优化）

①暴力递归（自顶向下，出现了重叠子问题）

②记忆化搜索（自顶向下）

③递推（自底上向）

【来自维基百科的解释】：Dynamic Programming is a method for solving a complex problem by breaking it down into a collection of simpler subproblems , solving each of those subproblems just once , and storing their solutions.

①将复杂的原问题拆解成若干简单的子问题

②每个子问题仅仅解决1次，并保存他们的解

③最后推导出原问题的解

动态规划的常规步骤

动态规划中的“动态”可以理解为是“会变化的状态”。

①定义状态（状态是原问题，子问题的解）

比如定义dp(i)的含义

②设置初始状态（边界）

比如设置dp(0)的值

③确定状态转移方程

比如确定dp(i)与dp(i-1)的关系

 

可以使用动态规划解决的问题，通常具有2个特点：

1、最有子结构（最优化原理）：通常求解子问题的最优解，可以获得原问题的最优解。

2、无后效性

   ①某阶段的状态一旦确定，则此后过程的演变不再受此前各状态及决策的影响（过去与未来无关）

   ②在推导后面阶段的状态时，只关心前面阶段的具体状态值，不关心这个状态是怎么一步步推导过来的。

举个例子：

上图中：

1、从起点（0,0）走到终点（4,4）一共有多少种走法？只能向下、向右走。

假设dp(i, j)是从（0, 0) 走到 ( i,  j ) 的走法

 初始条件：dp(i, 0) = dp(0, j) = 0

状态转移方程：dp(i, j) = dp( i, j - 1) + dp( i - 1, j)

无后效性

推导 dp(i, j) 时只需要用到 dp(i, j – 1) 、dp(i – 1, j) 的值

不需要关心 dp(i, j – 1) 、dp(i – 1, j) 的

2、如果可以向左、右上下走 ，并且同一个格子不能2 次【因为上下左右均可走，即可以绕圈走，但是一个格子不能走两次，就导致后面的要考虑前面的走法，保证一个格子只能走一次】

有后效性

dp(i, j) 下一步要怎么走，还关心上一步是来的

也就是还要关心 dp(i, j – 1) 、dp(i – 1, j)是怎么来的？

 

练习1-找零钱

leetcode_322_ 零钱兑换： https://leetcode-cn.com/problems/coin-change/

给定不同面额的硬币 coins 和一个总金额 amount。编写一个函数来计算可以凑成总金额所需的最少的硬币个数。如果没有任何一种硬币组合能组成总金额，返回 -1。

你可以认为每种硬币的数量是无限的。

示例 1：

输入：coins = [1, 2, 5], amount = 11
输出：3
解释：11 = 5 + 5 + 1

示例 2：

输入：coins = [2], amount = 3
输出：-1

示例 3：

输入：coins = [1], amount = 0
输出：0

示例 4：

输入：coins = [1], amount = 1
输出：1

示例 5：

输入：coins = [1], amount = 2
输出：2

假设有 25 分、 20 分、 5分、 1分的硬币，现要找给客户 41分的零钱，如何办到硬币的数量最少？

此题中，设dp(n) 为凑到 n 分需要的最少的硬币的数量。

1、如果第一次选择了25分的硬币，那么dp(n) = dp(n - 25) + 1；

2、如果第一次选择了20分的硬币，那么dp(n) = dp(n - 20) + 1；

3、如果第一次选择了5分的硬币，那么dp(n) = dp(n - 5) + 1；

4、如果第一次选择了1分的硬币，那么dp(n) = dp(n - 1) + 1；

所以，dp(n) = min{ dp(n - 25), dp(n - 20), dp(n - 5), dp(n - 1)} + 1。初始条件dp(0) = 0;

class Solution {
    public int coinCh