目录
1、什么是动态规划？
2、动态规划实战演练
2.1 力扣题之爬楼梯问题
（1）解题思路1:
（2）解题思路2:
（3）动态规划（DP）：解题思路
（4）动态规划理论
2.2 力扣题之海盗船长
（1）解题思路1:
（2）解题思路2:
（3）动态规划：解题思路3:
1、什么是动态规划？
动态规划（Dynamic Programming，DP）是把复杂问题分解为简单的子问题的求解方法。
动态规划的基本思想虽然简单，但分解的子问题很多都不一样。所以需要多做一些练习，接触并了解各种子问题及分解的思路，结合着不同数据结构，才能逐渐掌握DP的技巧。
所以，DP归纳起来就是多做练习，多思考，逐渐摸索题目的思考逻辑和优化思路。才能掌握使用DP解题的技巧。
从实际问题出发，分几步走，不断练习、迭代熟练：
- 暴力求解（枚举）
- 拆分子问题（DP）解法
- DP原理与题型相结合的分析
2、动态规划实战演练
2.1 力扣题之爬楼梯问题
以力扣著名的题“爬楼梯”为例子：
-
爬楼梯问题： . - 力扣（LeetCode）
假设你正在爬楼梯。需要
n阶你才能到达楼顶。每次你可以爬
1或2个台阶。你有多少种不同的方法可以爬到楼顶呢？示例 1：
输入：n = 2 输出：2 解释：有两种方法可以爬到楼顶。 1. 1 阶 + 1 阶 2. 2 阶示例 2：
输入：n = 3 输出：3 解释：有三种方法可以爬到楼顶。 1. 1 阶 + 1 阶 + 1 阶 2. 1 阶 + 2 阶 3. 2 阶 + 1 阶提示：
1 <= n <= 45
（1）解题思路1:
暴力求解，排列所有1，2的组合。
寻找总和为n的，不同数字长度的组合。
from itertools import product def climbStairs(n): pms = [] for rep in range(1,n+1): permutations = list(product([1,2],repeat=rep)) for pm in permutations: if sum(pm) == n: pms.append(pm) return len(pms)※ itertools是python为高效循环而创建迭代器的函数库 。product就是一个笛卡尔积（嵌套for循环）功能实现的函数。
- 时间复杂度O(n^3)
- 空间复杂度O(n)
（2）解题思路2:
问题寻找的是爬楼梯的方法数量，而不是具体统计每次走几阶。
所以问题关注的是每次爬1阶、爬2阶两种走法的组合上。
假设n=3，可以直接排列一下相应的组合
3 = 1 + 1 + 1 3 = 2 + 1 3 = 1 + 2简单直观，但我们要寻找的爬楼梯的规律。似乎还没有发现，继续增加n的数量~
当n=4：
4 = 1 + 1 + 1 + 1 4 = 2 + 1 + 1 4 = 1 + 2 + 1 4 = 1 + 1 + 2 4 = 2 + 2当n=5时：
5 = 1 + 1 + 1 + 1 + 1 5 = 2 + 1 + 1 + 1 5 = 1 + 2 + 1 + 1 5 = 1 + 1 + 2 + 1 5 = 2 + 2 + 1 5 = 1 + 1 + 1 + 2 5 = 2 + 1 + 2 5 = 1 + 2 + 2排列组合的方式，让我们似乎观察到了数值的规律。那就是n阶的走法，包含了n-1阶和n-2阶的走法。且 n阶的走法 = (n-1)阶走法 + (n-2)阶走法
简单的循环遍历就可以完成走法的累加：
n = 5 n1,n2 = 1,2 # n=1和n=2情况下的走法 res = 0 for i in range(3, n+1): # 从n=3时开始，直到n res = n1 + n2 n1 = n2 n2 = res print(res)测试下n=6，结果(n-1) + (n-2) = 8 + 5 = 13
还可以转换为递归写法
def climbStairs(n): if n <= 1: return 1 return climbStairs(n-1) + climbStairs(n-2)至此，就是暴力算法的解题思路，所有可能的组合都做一遍。
（3）动态规划（DP）：解题思路
依据上面算法特征分析的基础上，使用一个数组动态存储n的计算结果。
初始化数组，预先存入n-1和n-2的结果
def climbStairs(n): if n <= 1: return n dp = [i for i in range(n+1)] for i in range(3,n+1): dp[i] = dp[i-1] + dp[i-2] return dp[-1]上面代码中的dp就是我们提到的数组，其中
dp[i] = dp[i-1] + dp[i-2]。循环执行完成后，数组中最后一次计算的结果就是爬n阶楼梯的方法数。
- 时间复杂度：O(n)
- 空间复杂度：O(n)
对于空间复杂度，还可以进一步优化。由于我们只考虑n以及n-1、n-2的值。所以，中间的过程值可以丢弃。定义一个固定长度的数组，每次计算结果动态覆盖，如下：
def climbStairs(n): if n <= 1: return n dp = [0,1,2] for i in range(3,n+1): sum = dp[1] + dp[2] dp[1] = dp[2] dp[2] = sum return dp[2]- 时间复杂度：O(n)
- 空间复杂度：O(1)
（4）动态规划理论
学习动态规划算法，是从多种题解的思路中学习和发现。众多技术高手都给出了思路和技巧，但从实际出发，建议还是先埋头做题，积累了练习和分析思考后，再进行看高手的总结和归纳才会有“英雄所见略同”的共识。
在这之前，针对每道题目的分析，希望能思考如下的几个问题：
-
题目计算的目标是什么
走台阶问题的目标是求走法组合总数。
-
计算分解的子问题是什么
(n-1)阶走法 、(n-2)阶走法就是n阶走法的子问题 ****
-
转移方程是否是子问题的组合
转移方程上面已经写出来了 f(n) = f(n-1)+f(n-2) 。
-
能否优化
使用动态数组或字典来存储中间结果，可以有效的减少重复计算的复杂度。
当然，涉及到使用数组等容器来实现计算和优化时，还会接触到背包问题。
2.2 力扣题之海盗船长
问题：海盗船长：. - 力扣（LeetCode）
海盗船长：船长从坐标为(0,0)的位置出发，每次只能向x轴,y轴正方向走一步，求走到x,y点有几种走法?
示例 1：
输入：m = 3, n = 7
输出：28
示例 2：
输入：n = 3, n = 2
输出：3
解释：从左上角开始，总共有 3 条路径可以到达右下角。
1. 向右 -> 向下 -> 向下
2. 向下 -> 向下 -> 向右
3. 向下 -> 向右 -> 向下
示例 3：
输入：m = 7, n = 3
输出：28
示例 4：
输入：m = 3, n = 3
输出：6
提示：
1 <= m, n <= 100- 题目数据保证答案小于等于
2 * 10^9
（1）解题思路1:
从[0,0]到[x,y]，是一个从矩阵左上角向右、向下探索的过程。
想要到达[x,y]位置，必然经过[x-1,y]或者[x,y-1]
所以，路径问题的分解就是求[x , y] = [x-1,y] + [x,y-1]
设 m,n = 3,7 暴力解法
results = {}
def path_count(x, y):
# results = {}
if x == 1 or y == 1:
results[(x,y)] = 1
return 1
results[(x,y)] = path_count(x-1,y) + path_count(x,y-1)
return results[(x,y)]
print(path_count(3,7))
时间复杂度：O(mn)
空间复杂度：O(n)
（2）解题思路2:
观察上面的方案，可以发现分解的路径实际上存在着大量重复的计算
print(results)
我们可以思考：走到results中(m,n)位置的上一步，一定是(m-1,n),(m,n-1),(m-1,n-1)的位置。
这其中(m-1,n-1)走过的路径中，就包含了(m-1,n)和(m,n-1)走过的路径。
以此类推，所有(m-2,n-2)的路径中，也就包含了(m-1,n-1), (m-1,n), (m,n-1) …… 如此嵌套。我们把计算结果存储在results里面，再次遇到相同的计算时，就直接把结果提取出来。
def path_count(x, y):
if x == 1 or y == 1:
results[(x,y)] = 1
return 1
# 查找重复节点，直接返回计算后结果
if (x,y) in results:
return results[(x,y)]
results[(x,y)] = path_count(x-1,y) + path_count(x,y-1)
return results[(x,y)]
（3）动态规划：解题思路3:
动态规划方式实现：
转移方程：f(x,y) = f(x-1,y) + f(x, y-1)
分两步实现：
-
计算“到达”每个位置所需要的步数(初始为1)
m,n = 3,7 path_counts = [[1] * n for j in range(m)] for i in range(m): for j in range(n): print(path_counts[i][j], end=' ') print() -
计算从起始位置，到达当前位置，步数的累加和
for x in range(1,m): for y in range(1,n): path_counts[x][y] = path_counts[x-1][y] + path_counts[x][y-1] print(path_counts[m-1][n-1])
完整代码：
def path_count(x, y):
path_counts = [[1] * y for j in range(x)]
for i in range(1,x):
for j in range(1,y):
path_counts[i][j] = path_counts[i-1][j] + path_counts[i][j-1]
return path_counts[x-1][y-1]
