共计 3501 个字符，预计需要花费 9 分钟才能阅读完成。
前言
在上一篇文章动静布局的文章中，咱们先由 Fibonacci 例子引入到了动静布局中，而后借助兑换零钱的例子，剖析了动静布局最次要的三个性质，即：
- 重叠子问题
- 最优子结构
- 状态转移方程
然而动静布局远不止这么简略。
明天这篇文章，让咱们深刻动静布局，一窥动静布局的实质。
咱们既然要彻底搞清楚动静布局，那么一个不可避免的问题就是：
递归，贪婪，记忆化搜寻和动静布局之间到底有什么不同？
- 动静布局 于递归 ：只是单纯的空间换工夫吗？并不是， 斐波那切数列 的例子很好的颠覆了这个观点。
- 动静布局 于贪婪 ：只是贪婪的加强版吗？并不是， 零钱兑换 的例子同样颠覆了这个观点。
那么，动静布局 的外围到底是什么？
要答复这个问题，咱们无妨先答复上面这个问题：
到底哪些问题适宜用动静布局即？怎么鉴定 DP 可解问题？
置信当咱们意识到哪些问题能够用 DP 解决，咱们也就天然找到了 DP 和其它算法思维的区别，也就是 动静布局 的外围。
动静布局外围
首先咱们要搞清楚，动静布局只实用于 某一类问题 ，只是 某一类问题 的解决办法。
那么这“某一类问题”是什么问题呢？
聊这个之前咱们有必要略微理解下计算机的实质。
基于冯诺依曼体系结构的计算机实质上是一个 状态机，为什么这么说呢？因为 CPU 要进行计算就必须和内存打交道。
因为数据存储在内存当中（寄存器和外盘性质也一样），没有数据 CPU 计算个空气啊？所以内存就是用来保留 状态 （数据）的，内存中以后存储的所有数据形成了以后的 状态 ，CPU 只能利用以后的 状态 计算下一个 状态。
咱们用计算机解决问题，无非就是在思考：如何用变量来贮存 状态 ，以及如何在 状态 之间转移：由一些变量计算出另一些变量，由以后状态计算出下一状态。
基于这些，咱们也就失去了 评判算法的优劣 最次要的两个指标：
- 空间复杂度：就是为了反对计算所必须存储的状态
- 工夫复杂度：就是初始状态到最终状态所需多少步
如果上述表述还不是很分明，那咱们还是举之前 Fibonacci 的例子来说：
- 要计算以后 f(n)，只须要晓得 f(n – 1) 和 f(n – 2).
即：
- 要计算以后状态 f(n)，只须要计算状态 f(n – 1)和 f(n -2).
也就是说以后状态只与前两个状态无关，所以对于 空间复杂度：咱们只需保留前两个状态即可。
这也就很好的解释了为什么 动静布局并不是单纯的空间换工夫，因为它其实只跟状态无关。
由一个 状态 转移到另一 状态 所需的计算工夫也是常数，故线性减少的状态，其总的工夫复杂度也是线性的。
以上便是动静布局的外围，即：
状态的定义及状态之间的转移（状态方程的定义）。
那么如何定义所谓的“状态 ”和“ 状态之间的转移”呢？
咱们引入维基百科的定义：
dynamic programming is a method for solving a complex problem by breaking it down into a collection of simpler subproblems.
那就是通过 拆分问题 ，定义问题 状态 和状态 之间的关系，使得问题可能以递推（或者说分治）的形式去解决。
纸上谈来终觉浅，下边咱们再来看一道同样十分经典的例题。
最长递增子序列
这是 LeetCode 第 300 题。
给定一个数列，长度为 N，求这个数列的最长回升（递增）子数列（LIS）的长度.
示例 1：
输出：nums = [10,9,2,5,3,7,101,18] 输入：4 解释：最长递增子序列是 [2,3,7,101]，因而长度为 4示例 2：
输出：nums = [0,1,0,3,2,3] 输入：4 解释：最长递增序列是 [0,1,2,3]，因而长度为 4
咱们如何进行 状态的定义 及状态间转移的定义 呢？
一、状态的定义
首先咱们应该进行问题的拆分，即进行这个问题子问题的定义。
所以，咱们从新定义一下这个问题：
给定一个数列，长度为 N，
设 F~k~ 为：给定数列中第 k 项结尾的最长递增子序列的长度
求 F~1~ 到 F~N~ 的最大值
是不是上边这个定义与原问题一样？
显然二者等价，不过显著第二种定义的形式，咱们找到了子问题。
对于 F~k~ 来讲，F~1~ 到 F~k-1~ 都是 F~k~ 的子问题。
上述新问题的 F~k~ 就叫做 状态。
F~k~ 为数列中第 k 项结尾的 LIS 的长度 即为状态的定义。
二、状态转移方程的定义
状态定义好之后，状态与状态之间的关系式，就叫状态转移方程。
此题以 F~k~ 的定义来说：
设 F~k~ 为：给定数列中第 k 项结尾的最长递增子序列的长
思考，状态 之间应该怎么转移呢？
还记得咱们之前说的 拆分问题 不，在这里同样咱们能够沿用这一招，即 拆分数据。
如果数列只有一个数呢？那咱们应该返回 1(咱们找到了状态边界状况)。
那么咱们能够写出以下状态转移方程：
F~1~ = 1
F~k~ = max (F~i~ + 1 | i ∈（1，k-1）)（k > 1）
即：以第 k 项结尾的 LIS 的长度是：max {以第 i 项结尾的 LIS 长度 + 1}, 第 i 项比第 k 项小
大家了解下，是不是这么回事～
回顾一下咱们是怎么做的？
- 咱们通过 拆分问题 进行了问题（子问题）的重定义（状态的定义）；
- 通过 状态 的定义，再联合 状态的边界 状况，咱们写出了 状态与状态之间 转移即 状态转移方程 的定义。
写出了 状态转移方程 ，能够说到此， 动静布局 算法外围的思维咱们曾经表达出来了。
剩下的只不过是用 记忆化地求解递推式 的办法来解决就行了。
上面咱们尝试写出代码。
代码
首先咱们定义 dp 数组：
int[] dp = new int[nums.length];（留神这里 dp 数组的大小跟上一篇文章兑换零钱的例子有一丢丢不同，即这里没有 +1，大家能够再点击这里看下上一篇文章认真了解一下。）
那么这里 dp 数组的含意就是：
dp[i] 保留的值即是给定数组 i 位之前最长递增子序列的长度。
那么咱们的初始状态是什么呢？
咱们晓得状态的边界状况为：
F~1~ = 1
- 即如果数据只有一位那么应该返回 1；
- 当数据个数 > 1 时，如果整个数列没有呈现第二个递增的数，那么同样返回 1.
所以，初始状态咱们给 dp 数组每个地位都赋为 1.
Arrays.fill(dp, 1);而后，咱们从给定数组的第一个元素开始遍历，即写出外层的 for 循环：
for(int i = 0; i < nums.length;i++){......}当咱们外层遍历到某元素时，咱们怎么做呢？
咱们得找一下，在这个外层元素之前，存不存在比它小的数，如果存在，那么咱们就更新此外层元素的 dp[i]
如果某元素之前有比它小的数，那么这不就形成了递增子序列了吗？
因而咱们能够写出内层 for 循环：
for (int j = 0; j < i; j++) {// 如果后面有小于以后外层 nums[i]的数，那么就令以后 dp[i] = dp[j] + 1
if (nums[j] < nums[i]) {// 因为以后外层 nums[i]前边可能有多个小于它的数，即存在多种组合，咱们取最大的一组放到 dp[i]里
dp[i] = Math.max(dp[i], dp[j] + 1);
}
}两层循环完结时，dp[] 数组里存储的就是相应元素地位之前的最大递增子序列长度，咱们只需遍历 dp[] 数组寻找出最大值，即可求得整个数组的最大递增子序列长度：
int res = 0;
for(int k = 0; k < dp.length; k++){res = Math.max(res, dp[k]);
}此题代码也就写完了，上面贴出残缺代码:
class Solution {public int lengthOfLIS(int[] nums) {if(nums.length < 2) return 1;
int[] dp = new int[nums.length];
Arrays.fill(dp,1);
for(int i = 0;i < nums.length;i++){for(int j = 0;j < i;j++){if(nums[j] < nums[i]){dp[i] = Math.max(dp[i],dp[j] + 1);
}
}
}
int res = 0;
for(int k = 0;k < dp.length;k++){res = Math.max(res,dp[k]);
}
return res;
}
}这个题两层 for 循环跟之前兑换零钱的代码基本上差不多，大家能够联合上一篇文章再一起比照了解。
不同之处只是内层 for 循环的判断条件和状态转移方程的表白（如何更新 dp[]），这也是动静布局的实质所在。
小结
对于动静布局有很多误区和误会，比方最常见的可能就是说它是空间换工夫，以及搞不清楚它和贪婪的区别。
心愿这两篇动静布局的文章能帮你打消这些误区，并且更好的了解到动静布局的实质，了解状态和状态方程。
当然，仅仅这两篇文章想说透动静布局是远远不够的，所以 接下来会具体的解说一些典型问题，比方背包问题、石子游戏、股票问题等等，心愿能帮你在学习算法的路线上少走一些弯路。
如果大家有什么想理解的算法和题目类型，十分欢送在评论区留言通知我，咱们下期见！