动态规划算法与分治法类似，其基本思想也是将待求解问题分解成若⼲个⼦问题。但是经分解得到的⼦问题往往不是互相独⽴的
动态规划策略通常⽤于求解最优化问题。
– 在这类问题中，可能会有许多可⾏解。每⼀个解都对应于⼀个值，我们希望找到具有最优值的那个解，即最优解。
– 动态
• 在⼀定条件下，当前阶段的状态和下⼀阶段的状态之间的转移。
– 规划
• 建⽴状态转移⽅程（或称各阶段间的递推关系式），将各个阶段的状态以表格式⽅法存储。
• 表格式⽅法：⽤⼀个表来记录所有已解决的⼦问题的解
过程：
• 阶段 stage
– 将所给问题的过程，按时间或空间特征分解成若⼲相互联系的阶段，以便按次序去求每阶段的解。
• 状态 state
– 各阶段开始时的客观条件叫做状态。
• 决策 decision
– 当各阶段的状态确定以后，就可以做出不同的决定，从⽽确定下⼀阶段的状态，这种决定称为决策。
• 状态转移 transition
– 根据上⼀阶段的状态和决策来导出本阶段的状态。
在分治法求解时，有些问题被重复计算了许多次
如果能够保存已解决的⼦问题的答案，⽽在需要时再找出已求得的答案，就可以避免⼤量重复计算，从⽽得到多项式时间算法。
基本要素
• 最优⼦结构(optimal substructure)
– 原问题的最优解包含了⼦问题的最优解。
– 该性质使我们能够以⾃底向上的⽅式递归地从⼦问题的最优解逐步构造出原问题的最优解。
• 重叠⼦问题(overlapping subproblem)
– 有些⼦问题被反复计算多次（前⼀阶段的状态带到当前阶段，当前阶段的状态带到下⼀阶段）。
– 通过表格式⽅法来记录已解决的⼦问题的答案
0-1背包问题
• 给定n种物品和⼀个背包。物品i的重量是wi，其价值为vi，背包的容量为c。问应如何选择装⼊背包的物品，使得装⼊背包中物品的总价值最⼤?
– 0-1：在选择装⼊背包的物品时，对每种物品i只有两种选择，即装⼊背包或不装⼊背包。不能将物品i装⼊背包多次，也不能只装⼊部分的物品i。
– 找出⼀个n元0-1向量(x1, x2, …, xn)，使得n
最大
（1）证明问题具有最优解
– 证明：设(y1,y2,…,yn)是给定n种物品在背包载重为c时的⼀个最优解，则(y2,…,yn)是除了第⼀个物品之外的n-1个物品在背包载重为c-w1y1时的⼀个最优解。
– 反证法：如若不然，设(z2,…,zn)是上述⼦问题的⼀个最优解，⽽(y2,…,yn)不是。(y1, y2, …,yn)不是
（2） 设m(i,j)是背包容量为j，可选择物品为1, 2, …, i时0-1背包问题的最优值。假设j是整数，从1开始逐⼀递减地划分
• 递归定义最优值
• 方法一：设m(i,j)是背包容量为j，（当前阶段）可选择物品为i, i+1,…,n时0-1背包问题的最优值。
• ⽅法⼆：设m(i,j)是背包容量为j，（当前阶段）可选择物品为1,2,…,i时0-1背包问题的最优值。
动态规划问题的理解二：
转自http://blog.csdn.net/baidu_28312631/article/details/47418773
动态规划相信大家都知道，动态规划算法也是新手在刚接触算法设计时很苦恼的问题，有时候觉得难以理解，但是真正理解之后，就会觉得动态规划其实并没有想象中那么难。网上也有很多关于讲解动态规划的文章，大多都是叙述概念，讲解原理，让人觉得晦涩难懂，即使一时间看懂了，发现当自己做题的时候又会觉得无所适从。我觉得，理解算法最重要的还是在于练习，只有通过自己练习，才可以更快地提升。话不多说，接下来，下面我就通过一个例子来一步一步讲解动态规划是怎样使用的，只有知道怎样使用，才能更好地理解，而不是一味地对概念和原理进行反复琢磨。
首先，我们看一下这道题（此题目来源于北大POJ）：
数字三角形(POJ1163)
在上面的数字三角形中寻找一条从顶部到底边的路径，使得路径上所经过的数字之和最大。路径上的每一步都只能往左下或 右下走。只需要求出这个最大和即可，不必给出具体路径。 三角形的行数大于1小于等于100，数字为 0 - 99
输入格式：
5 //表示三角形的行数 接下来输入三角形
7
3 8
8 1 0
2 7 4 4
4 5 2 6 5
要求输出最大和
接下来，我们来分析一下解题思路：
首先，肯定得用二维数组来存放数字三角形
然后我们用D( r, j) 来表示第r行第 j 个数字(r,j从1开始算)
我们用MaxSum(r, j)表示从D(r,j)到底边的各条路径中，最佳路径的数字之和。
因此，此题的最终问题就变成了求 MaxSum(1,1)
当我们看到这个题目的时候，首先想到的就是可以用简单的递归来解题：
D(r, j)出发，下一步只能走D(r+1,j)或者D(r+1, j+1)。故对于N行的三角形，我们可以写出如下的递归式：
- if ( r == N)
- MaxSum(r,j) = D(r,j)
- else
- MaxSum( r, j) = Max{ MaxSum(r＋1,j), MaxSum(r+1,j+1) } + D(r,j)
根据上面这个简单的递归式，我们就可以很轻松地写出完整的递归代码：
- #include <iostream>
- #include <algorithm>
- #define MAX 101
- using namespace std;
- int D[MAX][MAX];
- int n;
- int MaxSum(int i, int j){
- if(i==n)
- return D[i][j];
- int x = MaxSum(i+1,j);
- int y = MaxSum(i+1,j+1);
- return max(x,y)+D[i][j];
- }
- int main(){
- int i,j;
- cin >> n;
- for(i=1;i<=n;i++)
- for(j=1;j<=i;j++)
- cin >> D[i][j];
- cout << MaxSum(1,1) << endl;
- }
对于如上这段递归的代码，当我提交到POJ时，会显示如下结果：
对的，代码运行超时了，为什么会超时呢？
答案很简单，因为我们重复计算了，当我们在进行递归时，计算机帮我们计算的过程如下图：
就拿第三行数字1来说，当我们计算从第2行的数字3开始的MaxSum时会计算出从1开始的MaxSum，当我们计算从第二行的数字8开始的MaxSum的时候又会计算一次从1开始的MaxSum，也就是说有重复计算。这样就浪费了大量的时间。也就是说如果采用递规的方法，深度遍历每条路径，存在大量重复计算。则时间复杂度为 2的n次方,对于 n = 100 行，肯定超时。
接下来，我们就要考虑如何进行改进，我们自然而然就可以想到如果每算出一个MaxSum(r,j)就保存起来，下次用到其值的时候直接取用，则可免去重复计算。那么可以用n方的时间复杂度完成计算。因为三角形的数字总数是 n(n+1)/2
根据这个思路，我们就可以将上面的代码进行改进，使之成为记忆递归型的动态规划程序：
- #include <iostream>
- #include <algorithm>
- using namespace std;
- #define MAX 101
- int D[MAX][MAX];
- int n;
- int maxSum[MAX][MAX];
- int MaxSum(int i, int j){
- if( maxSum[i][j] != -1 )
- return maxSum[i][j];
- if(i==n)
- maxSum[i][j] = D[i][j];
- else{
- int x = MaxSum(i+1,j);
- int y = MaxSum(i+1,j+1);
- maxSum[i][j] = max(x,y)+ D[i][j];
- }
- return maxSum[i][j];
- }
- int main(){
- int i,j;
- cin >> n;
- for(i=1;i<=n;i++)
- for(j=1;j<=i;j++) {
- cin >> D[i][j];
- maxSum[i][j] = -1;
- }
- cout << MaxSum(1,1) << endl;
- }
当我们提交如上代码时，结果就是一次AC
虽然在短时间内就AC了。但是，我们并不能满足于这样的代码，因为递归总是需要使用大量堆栈上的空间，很容易造成栈溢出，我们现在就要考虑如何把递归转换为递推，让我们一步一步来完成这个过程。
我们首先需要计算的是最后一行，因此可以把最后一行直接写出，如下图：
现在开始分析倒数第二行的每一个数，现分析数字2，2可以和最后一行4相加，也可以和最后一行的5相加，但是很显然和5相加要更大一点，结果为7，我们此时就可以将7保存起来，然后分析数字7，7可以和最后一行的5相加，也可以和最后一行的2相加，很显然和5相加更大，结果为12，因此我们将12保存起来。以此类推。。我们可以得到下面这张图：
然后按同样的道理分析倒数第三行和倒数第四行，最后分析第一行，我们可以依次得到如下结果：
上面的推导过程相信大家不难理解，理解之后我们就可以写出如下的递推型动态规划程序：
- #include <iostream>
- #include <algorithm>
- using namespace std;
- #define MAX 101
- int D[MAX][MAX];
- int n;
- int maxSum[MAX][MAX];
- int main(){
- int i,j;
- cin >> n;
- for(i=1;i<=n;i++)
- for(j=1;j<=i;j++)
- cin >> D[i][j];
- for( int i = 1;i <= n; ++ i )
- maxSum[n][i] = D[n][i];
- for( int i = n-1; i>= 1; --i )
- for( int j = 1; j <= i; ++j )
- maxSum[i][j] = max(maxSum[i+1][j],maxSum[i+1][j+1]) + D[i][j];
- cout << maxSum[1][1] << endl;
- }
我们的代码仅仅是这样就够了吗？当然不是，我们仍然可以继续优化，而这个优化当然是对于空间进行优化，其实完全没必要用二维maxSum数组存储每一个MaxSum(r,j),只要从底层一行行向上递推，那么只要一维数组maxSum[100]即可,即只要存储一行的MaxSum值就可以。
对于空间优化后的具体递推过程如下：
接下里的步骤就按上图的过程一步一步推导就可以了。进一步考虑，我们甚至可以连maxSum数组都可以不要，直接用D的第n行直接替代maxSum即可。但是这里需要强调的是：虽然节省空间，但是时间复杂度还是不变的。
依照上面的方式，我们可以写出如下代码：
- #include <iostream>
- #include <algorithm>
- using namespace std;
- #define MAX 101
- int D[MAX][MAX];
- int n;
- int * maxSum;
- int main(){
- int i,j;
- cin >> n;
- for(i=1;i<=n;i++)
- for(j=1;j<=i;j++)
- cin >> D[i][j];
- maxSum = D[n]; //maxSum指向第n行
- for( int i = n-1; i>= 1; --i )
- for( int j = 1; j <= i; ++j )
- maxSum[j] = max(maxSum[j],maxSum[j+1]) + D[i][j];
- cout << maxSum[1] << endl;
- }
接下来，我们就进行一下总结：
递归到动规的一般转化方法
递归函数有n个参数，就定义一个n维的数组，数组的下标是递归函数参数的取值范围，数组元素的值是递归函数的返回值，这样就可以从边界值开始， 逐步填充数组，相当于计算递归函数值的逆过程。
动规解题的一般思路
1. 将原问题分解为子问题
- 把原问题分解为若干个子问题，子问题和原问题形式相同或类似，只不过规模变小了。子问题都解决，原问题即解决(数字三角形例）。
- 子问题的解一旦求出就会被保存，所以每个子问题只需求 解一次。
2.确定状态
- 在用动态规划解题时，我们往往将和子问题相关的各个变量的一组取值，称之为一个“状 态”。一个“状态”对应于一个或多个子问题， 所谓某个“状态”下的“值”，就是这个“状 态”所对应的子问题的解。
- 所有“状态”的集合，构成问题的“状态空间”。“状态空间”的大小，与用动态规划解决问题的时间复杂度直接相关。 在数字三角形的例子里，一共有N×(N+1)/2个数字，所以这个问题的状态空间里一共就有N×(N+1)/2个状态。
整个问题的时间复杂度是状态数目乘以计算每个状态所需时间。在数字三角形里每个“状态”只需要经过一次，且在每个状态上作计算所花的时间都是和N无关的常数。
3.确定一些初始状态（边界状态）的值
以“数字三角形”为例，初始状态就是底边数字，值就是底边数字值。
4. 确定状态转移方程
定义出什么是“状态”，以及在该“状态”下的“值”后，就要找出不同的状态之间如何迁移――即如何从一个或多个“值”已知的 “状态”，求出另一个“状态”的“值”(递推型)。状态的迁移可以用递推公式表示，此递推公式也可被称作“状态转移方程”。
数字三角形的状态转移方程:
能用动规解决的问题的特点
1) 问题具有最优子结构性质。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。
2) 无后效性。当前的若干个状态值一旦确定，则此后过程的演变就只和这若干个状态的值有关，和之前是采取哪种手段或经过哪条路径演变到当前的这若干个状态，没有关系。