🤍 前端开发工程师（主业）、技术博主（副业）、已过CET6
🍨 阿珊和她的猫_CSDN个人主页
🕠 牛客高级专题作者、在牛客打造高质量专栏《前端面试必备》
🍚 蓝桥云课签约作者、已在蓝桥云课上架的前后端实战课程《Vue.js 和 Egg.js 开发企业级健康管理项目》、《带你从入门到实战全面掌握 uni-app》
文章目录
- 1. 简介
- 动态规划的定义和基本概念
- 动态规划的应用领域
- 2. 动态规划的基本思想
- 最优子结构
- 重叠子问题
- 3. 动态规划的求解步骤
- 定义状态
- 确定状态转移方程
- 计算最优值
1. 简介
动态规划的定义和基本概念
1、动态规划的定义
动态规划（Dynamic Programming，DP）是一种分阶段求解问题的方法，它将复杂的问题分解为多个子问题，并通过求解子问题的最优解来得到整个问题的最优解。
2、基本概念
- 阶段（Stage）：将问题划分为多个相互关联的子问题，每个子问题称为一个阶段。
- 状态（State）：每个阶段所处的状态，状态通常用变量来表示。
- 决策（Decision）：在每个阶段，根据当前状态做出的选择，决策通常用变量来表示。
- 状态转移方程（State Transition Equation）：
描述了从一个状态到另一个状态的转移关系，通常表示为状态和决策的函数。 - 最优值函数（Optimal Value Function）：
用于记录每个状态下的最优解，通常表示为状态的函数。 - 策略（Policy）：在每个状态下选择最优决策的规则，
通常表示为状态到决策的映射。
通过定义状态、决策和状态转移方程，动态规划可以找到每个状态下的最优决策，从而得到整个问题的最优解。动态规划适用于具有最优子结构和重叠子问题的问题，它通过存储已经计算过的子问题的解，避免了重复计算，提高了算法的效率。
动态规划的应用领域
动态规划是一种非常强大的算法思想，在许多领域都有广泛的应用，包括但不限于以下几个方面：
1、计算机科学
- 算法设计：动态规划常用于解决最优化问题，如背包问题、最长公共子序列问题、斐波那契数列问题等。
- 图像处理：动态规划可以用于图像压缩、图像分割、边缘检测等任务。
- 自然语言处理：动态规划在词性标注、句法分析、机器翻译等方面有应用。
- 网络优化：动态规划可用于网络路径规划、流量工程等问题。
2、数学
- 数学优化：动态规划是一种求解优化问题的方法，如
线性规划、整数规划等。 - 组合数学：动态规划可以用于计算组合数、生成函数等问题。
3、经济学
- 资源分配：动态规划可以用于求解最优资源分配问题，如生产计划、投资决策等。
- 博弈论：动态规划在博弈论中用于求解最优策略，如二人零和博弈、马尔可夫决策过程等。
4、其他领域
- 生物学：动态规划可以用于基因序列比对、蛋白质结构预测等问题。
- 物理学：动态规划在物理学中用于最优控制、量子计算等领域。
总的来说，动态规划在各个领域都有广泛的应用，它的核心思想是将复杂问题分解为多个子问题，并通过求解子问题的最优解来得到整个问题的最优解。这种分而治之的思想使得动态规划在处理复杂问题时具有很高的效率和准确性。
2. 动态规划的基本思想
最优子结构
动态规划的基本思想可以概括为最优子结构（Optimal Substructure）。
最优子结构是指一个问题的最优解可以通过子问题的最优解来构造。
具体来说，动态规划将一个复杂的问题分解为多个相互关联的子问题，然后通过求解子问题的最优解来得到整个问题的最优解。在这个过程中，每个子问题的最优解都依赖于其前一个子问题的最优解，因此需要存储已经计算过的子问题的解，避免重复计算。
最优子结构是动态规划算法的核心概念，它保证了动态规划算法的高效性。通过利用最优子结构，动态规划可以避免重复计算相同的子问题，从而提高算法的效率。
以下是一个简单的例子来说明最优子结构的概念：
假设我们有一个数组 [1, 2, 3, 4, 5]，我们要找到数组中所有数字的和的最大值。我们可以将这个问题分解为两个子问题：
- 前两个数字的和的最大值。
- 后三个数字的和的最大值。
第一个子问题的最优解是 3（1+2=3），第二个子问题的最优解是 12（3+4+5=12）。我们可以发现，第二个子问题的最优解依赖于第一个子问题的最优解。
因此，整个问题的最优解是 15（3+12=15），这个最优解可以通过子问题的最优解来构造。这就是最优子结构的概念，它保证了动态规划算法的高效性。
重叠子问题
动态规划的基本思想除了最优子结构，还包括重叠子问题（Overlapping Subproblems）。
重叠子问题是指在动态规划算法中，不同的子问题可能会重复出现，即它们具有相同的结构和参数。在这种情况下，如果我们已经计算过某个子问题的解，我们可以直接使用这个解，而无需再次计算。
通过利用重叠子问题，动态规划可以避免重复计算相同的子问题，从而提高算法的效率。在动态规划算法中，我们通常使用一个表格或数组来存储已经计算过的子问题的解，以便在需要时快速获取。
以下是一个简单的例子来说明重叠子问题的概念：
假设我们有一个数组 [1, 2, 3, 4, 5]，我们要找到数组中所有数字的和的最大值。我们可以将这个问题分解为两个子问题：
- 前两个数字的和的最大值。
- 后三个数字的和的最大值。
第一个子问题的最优解是 3（1+2=3），第二个子问题的最优解是 12（3+4+5=12）。我们可以发现，第二个子问题包含了第一个子问题，即它是第一个子问题的扩展。
因此，整个问题的最优解是 15（3+12=15），这个最优解可以通过子问题的最优解来构造。这就是重叠子问题的概念，它保证了动态规划算法的高效性。
3. 动态规划的求解步骤
你提供的求解步骤是正确的，以下是对每个步骤的详细解释：
定义状态
在动态规划中，我们需要将问题分解为多个子问题，并定义状态来表示每个子问题的解。状态通常是一个变量或一组变量，它们表示了问题的不同情况或阶段。
例如，在斐波那契数列问题中，我们可以定义状态为 dp[i]，表示第 i 个数的斐波那契值。
确定状态转移方程
状态转移方程是指从一个状态到另一个状态的转移关系，它描述了如何根据当前状态和决策来更新状态。
例如，在斐波那契数列问题中，状态转移方程为 dp[i] = dp[i-1] + dp[i-2]，表示第 i 个数等于前两个数的和。
计算最优值
在确定了状态和状态转移方程后，我们可以通过迭代计算每个状态的最优值，最终得到整个问题的最优解。
例如，在斐波那契数列问题中，我们可以从第一个数开始，根据状态转移方程计算出每个数的斐波那契值，并将其存储在 dp 数组中。最终，dp[n] 就是第 n 个数的斐波那契值。
需要注意的是，在实际问题中，可能需要根据问题的具体情况来选择合适的状态和状态转移方程，并且可能需要使用一些优化技巧来提高算法的效率。
