关于算法:动态规划到底有多难

动静布局是一个从其余行业借鉴过去的词语。

它的大略意思先将一件事件分成 若干阶段 ，而后通过阶段之间的转移达到目标。因为转移的方向通常是多个，因而这个时候就须要决策抉择具体哪一个转移方向。

动静布局所要解决的事件通常是实现一个具体的指标，而这个指标往往是最优解。并且：

阶段之间能够进行转移，这叫做动静。
达到一个 可行解 (指标阶段) 须要一直地转移，那如何转移能力达到 最优解？这叫布局。

每个阶段形象为状态（用圆圈来示意），状态之间可能会产生转化（用箭头示意）。能够画出相似如下的图：

那咱们应该做出如何的 决策序列 能力使得后果最优？换句话说就是每一个状态应该如何抉择到下一个具体状态，并最终达到指标状态。这就是动静布局钻研的问题。

每次决策实际上 不会思考之后的决策，而只会思考之前的状态。 形象点来说，其实是走一步看一步这种短视思维。为什么这种短视能够来求解最优解呢？那是因为：

咱们将 所有可能的转移全副模仿了一遍，最初挑了一个最优解。
无后向性（这个咱们前面再说，先卖个关子）

而如果你没有模仿所有可能，而间接走了一条最优解，那就是贪婪算法了。

没错，动静布局刚开始就是来求最优解的。只不过有的时候顺便能够求总的计划数等其余货色，这其实是 动静布局的副产物。

好了，咱们把动静布局拆成两局部别离进行解释，或者你大略晓得了动静布局是一个什么样的货色。然而这对你做题并没有帮忙。那算法上的动静布局到底是个啥呢？

在算法上，动静布局和 查表的递归（也称记忆化递归） 有很多类似的中央。我倡议大家先从记忆化递归开始学习。本文也先从记忆化递归开始，逐渐解说到动静布局。

那么什么是递归？什么是查表（记忆化）？让咱们缓缓来看。

递归是指在函数中 调用函数本身 的办法。

有意义的递归通常会把问题分解成 规模放大的同类子问题，当子问题缩写到寻常的时候，咱们能够间接晓得它的解。而后通过建设递归函数之间的分割（转移）即可解决原问题。

是不是和分治有点像? 分治指的是将问题一分为多，而后将多个解合并为一。而这里并不是这个意思。

一个问题要应用递归来解决必须有递归终止条件（算法的有穷性），也就是说递归会逐渐放大规模到寻常。

尽管以下代码也是递归，但因为其无奈完结，因而不是一个无效的算法：

def f(x):
  return x + f(x - 1)

下面的代码除非外界干涉，否则会永远执行上来，不会进行。

因而更多的状况应该是：

def f(n):
  if n == 1: return 1
  return n + f(n - 1)

应用递归通常能够使代码短小，有时候也更可读。算法中应用递归能够 很简略地 实现一些用循环不太容易实现的性能，比方二叉树的左中右序遍历。

递归在算法中有十分宽泛的应用，包含当初日趋风行的函数式编程。

递归在函数式编程中位置很高。纯正的函数式编程中没有循环，只有递归。

实际上，除了在编码上通过函数调用本身实现递归。咱们也能够定义递归的数据结构。比方大家所熟知的树，链表等都是递归的数据结构。

Node {
    value: any; // 以后节点的值
    children: Array<Node>; // 指向其儿子
}

如上代码就是一个多叉树的定义模式，能够看出 children 就是 Node 的汇合类，这就是一种 递归的数据结构。

本文中所提到的记忆化递归中的递归函数实际上 指的是非凡的递归函数，即在一般的递归函数上满足以下几个条件：

递归函数不依赖内部变量
递归函数不扭转内部变量

满足这两个条件有什么用呢？这是因为咱们须要函数给定参数，其返回值也是确定的。这样咱们能力记忆化。对于记忆化，咱们前面再讲。

如果大家理解函数式编程，实际上这里的递归其实严格来说是 函数式编程中的函数 。如果不理解也没关系，这里的递归函数其实就是 数学中的函数。

咱们来回顾一下数学中的函数：

在一个变动过程中，假如有两个变量 x、y，如果对于任意一个 x 都有惟一确定的一个 y 和它对应，那么就称 x 是自变量，y 是 x 的函数。x 的取值范畴叫做这个函数的定义域，相应 y 的取值范畴叫做函数的值域。

而 本文所讲的所有递归都是指的这种数学中的函数。

比方下面的递归函数：

def f(x):
  if x == 1: return 1
  return x + f(x - 1)

x 就是自变量，x 的所有可能的返回值形成的汇合就是定义域。
f(x) 就是函数。
f(x) 的所有可能的返回值形成的汇合就是值域。

自变量也能够有多个，对应递归函数的参数能够有多个，比方 f(x1, x2, x3)。

通过函数来形容问题，并通过函数的调用关系来形容问题间的关系就是记忆化递归的核心内容。

每一个动静布局问题，实际上都能够形象为一个数学上的函数。这个函数的自变量汇合就是题目的所有取值，值域就是题目要求的答案的所有可能。咱们的指标其实就是填充这个函数的内容，使得给定自变量 x，可能惟一映射到一个值 y。（当然自变量可能有多个，对应递归函数参数可能有多个）

解决动静布局问题能够看成是填充函数这个黑盒，使得定义域中的数并正确地映射到值域。

递归并不是算法，它是和迭代对应的一种编程办法。只不过，咱们通常借助递归去合成问题而已。比方咱们定义一个递归函数 f(n)，用 f(n) 来形容问题。就和应用一般动静布局 f[n] 形容问题是一样的，这里的 f 是 dp 数组。

为了大家可能更好地对本节内容进行了解，咱们通过一个例子来切入：

一个人爬楼梯，每次只能爬 1 个或 2 个台阶，假如有 n 个台阶，那么这个人有多少种不同的爬楼梯办法？

思路：

因为 第 n 级台阶肯定是从 n – 1 级台阶或者 n – 2 级台阶来的 ，因而到第 n 级台阶的数目就是 到第 n - 1 级台阶的数目加上到第 n - 1 级台阶的数目。

递归代码：

function climbStairs(n) {if (n === 1) return 1;
  if (n === 2) return 2;
  return climbStairs(n - 1) + climbStairs(n - 2);
}

咱们用一个递归树来直观感触以下（每一个圆圈示意一个子问题）：

红色示意反复的计算。即 Fib(N-2) 和 Fib(N-3) 都被计算了两次，实际上计算一次就够了。比方第一次计算出了 Fib(N-2) 的值，那么下次再次须要计算 Fib(N-2)的时候，能够间接将上次计算的后果返回。之所以能够这么做的起因正是前文提到的 咱们的递归函数是数学中的函数，也就是说参数肯定，那么返回值也肯定不会变 ，因而下次如果碰到雷同的参数，咱们就能够 将上次计算过的值间接返回，而不用从新计算。这样节俭的工夫就等价于重叠子问题的个数。

以这道题来说，原本须要计算 $2^n$ 次，而如果应用了记忆化，只须要计算 n 次，就是这么神奇。

代码上，咱们能够应用一个 hashtable 去缓存两头计算结果，从而省去不必要的计算。

咱们应用记忆化来革新下面的代码：

memo = {}
def climbStairs(n):
  if n == 1:return 1
  if n == 2: return 2
  if n in memo: return memo[n]
  ans = func(n - 1) + func(n-2)
  memo[n] = ans
  return ans
climbStairs(10)

这里我应用了一个名为 memo 的哈希表来存储递归函数的返回值，其中 key 为参数，value 为递归函数的返回值。

key 的模式为 (x, y)，示意的是一个元祖。通常动静布局的参数有多个，咱们就能够应用元祖的形式来记忆化。或者也可采取多维数组的模式。对于上图来说，就可应用二维数组来示意。

大家能够通过删除和增加代码中的 memo 来感受一下 记忆化 的作用。

应用递归函数的长处是逻辑简略清晰，毛病是过深的调用会导致栈溢出。这里我列举了几道算法题目，这几道算法题目都能够用递归轻松写进去：

递归实现 sum
二叉树的遍历
走楼梯问题
汉诺塔问题
杨辉三角

递归中如果存在反复计算（咱们称重叠子问题，下文会讲到），那就是应用记忆化递归（或动静布局）解题的强有力信号之一。能够看出动静布局的外围就是应用记忆化的伎俩打消重复子问题的计算，如果这种重复子问题的规模是指数或者更高规模，那么记忆化递归（或动静布局）带来的收益会十分大。

为了打消这种反复计算，咱们可应用查表的形式。即一边递归一边应用“记录表”（比方哈希表或者数组）记录咱们曾经计算过的状况，当下次再次碰到的时候，如果之前曾经计算了，那么间接返回即可，这样就防止了反复计算。下文要讲的 动静布局中 DP 数组其实和这里“记录表”的作用是一样的。

如果你刚开始接触递归，倡议大家先去练习一下递归再往后看。一个简略练习递归的形式是将你写的迭代全副改成递归模式。比方你写了一个程序，性能是“将一个字符串逆序输入”，那么应用迭代将其写进去会非常容易，那么你是否能够应用递归写进去呢？通过这样的练习，能够让你逐渐适应应用递归来写程序。

当你曾经适应了递归的时候，那就让咱们持续学习动静布局吧！

讲了这么多递归和记忆化，终于到了咱们的配角退场了。

咱们先来学习动静布局最重要的两个概念：最优子结构和无后效性。

其中：

无后效性决定了是否可应用动静布局来解决。
最优子结构决定了具体如何解决。

动静布局经常实用于有重叠子问题和最优子结构性质的问题。后面讲了重叠子问题，那么最优子结构是什么？这是我从维基百科找的定义：

如果问题的最优解所蕴含的子问题的解也是最优的，咱们就称该问题具备最优子结构性质（即满足最优化原理）。最优子结构性质为动静布局算法解决问题提供了重要线索。

举个例子：如果考试中的分数定义为 f，那么这个问题就能够被合成为语文，数学，英语等子问题。显然子问题最优的时候，总分这个大的问题的解也是最优的。

再比方 01 背包问题：定义 f(weights, values, capicity)。如果咱们想要求 f([1,2,3], [2,2,4], 10) 的最优解。咱们能够将其划分为如下子问题：

将第三件物品装进背包，也就是 f([1,2], [2,2], 10)
和 不将第三件物品装进背包，也就是 f([1,2,3], [2,2,4], 9)

显然这两个问题还是简单，咱们须要进一步拆解。不过，这里不是讲如何拆解的。

原问题 f([1,2,3], [2,2,4], 10) 等于以上两个子问题的最大值。只有两个子问题都是 最优的 时候整体才是最优的，这是因为子问题之间不会相互影响。

即子问题的解一旦确定，就不再扭转，不受在这之后、蕴含它的更大的问题的求解决策影响。

持续以下面两个例子来说。

数学考得高不能影响英语（事实其实可能影响，比方工夫肯定，投入英语多，其余科目就少了）。
背包问题中 f([1,2,3], [2,2,4], 10) 抉择是否拿第三件物品，不应该影响是否拿后面的物品。比方题目规定了拿了第三件物品之后，第二件物品的价值就会变低或变高）。这种状况就不满足无后向性。

动静布局的中心点是什么？如果让我说的话，那就是 定义状态。

动静布局解题的第一步就是定义状态。定义好了状态，就能够画出递归树，聚焦最优子结构写转移方程就好了，因而我才说状态定义是动静布局的外围，动静布局问题的状态的确不容易看出。

然而一旦你能把状态定义好了，那就能够顺藤摸瓜画出递归树，画出递归树之后就聚焦最优子结构就行了。然而可能画出递归树的前提是：对问题进行划分，业余点来说就是定义状态。那怎么能力定义出状态呢？

好在状态的定义都有特点的套路。比方一个字符串的状态，通常是 dp[i] 示意字符串 s 以 i 结尾的 ….。比方两个字符串的状态，通常是 dpi 示意字符串 s1 以 i 结尾，s2 以 j 结尾的 ….。

也就是说状态的定义通常有不同的套路，大家能够在做题的过程中进行学习和总结。然而这种套路十分多，那怎么搞定呢？

说实话，只能多练习，在练习的过程中总结套路。具体的套路参考前面的 动静布局的题型 局部内容。之后大家就能够针对不同的题型，去思考大略的状态定义方向。

两个例子

对于状态定义，真的十分重要，以至于我将其列为动静布局的外围。因而我感觉有必要举几个例子来进行阐明。我间接从力扣的动静布局专题中抽取前两道给大家讲讲。

第一道题：《5. 最长回文子串》难度中等

给你一个字符串 s，找到 s 中最长的回文子串。示例 1：输出：s = "babad"
输入："bab"
解释："aba" 同样是合乎题意的答案。示例 2：输出：s = "cbbd"
输入："bb"
示例 3：输出：s = "a"
输入："a"
示例 4：输出：s = "ac"
输入："a"
 

提醒：1 <= s.length <= 1000
s 仅由数字和英文字母（大写和 / 或小写）组成

这道题入参是一个字符串，那咱们要将其转化为规模更小的子问题，那无疑就是字符串变得更短的问题，临界条件也应该是空字符串或者一个字符这样。

因而：

一种定义状态的形式就是 f(s1)，含意是字符串 s1 的最长回文子串，其中 s1 就是题目中的字符串 s 的子串，那么答案就是 f(s)。
因为规模更小指的是字符串变得更短，而形容字符串咱们也能够用两个变量来形容，这样实际上还省去了开拓字符串的开销。两个变量能够是 终点索引 + 子串长度 ，也能够是 起点索引 + 子串长度 ，也能够是 终点坐标 + 起点坐标 。随你喜爱，这里我就用 终点坐标 + 起点坐标 。那么状态定义就是 f(start, end)，含意是子串 s[start:end+1] 的最长回文子串，那么答案就是 f(0, len(s) – 1)

s[start:end+1] 指的是蕴含 s[start]，而不蕴含 s[end+1] 的间断子串。

这无疑是一种定义状态的形式，然而一旦咱们这样去定义就会发现：状态转移方程会变得难以确定（实际上很多动静布局都有这个问题，比方最长回升子序列问题）。那到底如何定义状态呢？我会在稍后的状态转移方程持续实现这道题。咱们先来看下一道题。

第二道题：《10. 正则表达式匹配》难度艰难

给你一个字符串 s 和一个字符法则 p，请你来实现一个反对 '.' 和 '*' 的正则表达式匹配。'.' 匹配任意单个字符
'*' 匹配零个或多个后面的那一个元素
所谓匹配，是要涵盖 整个 字符串 s 的，而不是局部字符串。示例 1：输出：s = "aa" p = "a"
输入：false
解释："a" 无奈匹配 "aa" 整个字符串。示例 2:

输出：s = "aa" p = "a*"
输入：true
解释：因为 '*' 代表能够匹配零个或多个后面的那一个元素, 在这里后面的元素就是 'a'。因而，字符串 "aa" 可被视为 'a' 反复了一次。示例 3：输出：s = "ab" p = ".*"
输入：true
解释：".*" 示意可匹配零个或多个（'*'）任意字符（'.'）。示例 4：输出：s = "aab" p = "c*a*b"
输入：true
解释：因为 '*' 示意零个或多个，这里 'c' 为 0 个, 'a' 被反复一次。因而能够匹配字符串 "aab"。示例 5：输出：s = "mississippi" p = "mis*is*p*."
输入：false
 

提醒：0 <= s.length <= 20
0 <= p.length <= 30
s 可能为空，且只蕴含从 a-z 的小写字母。p 可能为空，且只蕴含从 a-z 的小写字母，以及字符 . 和 *。保障每次呈现字符 * 时，后面都匹配到无效的字符

这道题入参有两个，一个是 s，一个是 p。沿用下面的思路，咱们有两种定义状态的形式。

一种定义状态的形式就是 f(s1, p1)，含意是 p1 是否可匹配字符串 s1，其中 s1 就是题目中的字符串 s 的子串，p1 就是题目中的字符串 p 的子串, 那么答案就是 f(s, p)。
另一种是 f(s_start, s_end, p_start, p_end)，含意是子串 p1[p_start:p_end+1] 是否能够匹配字符串 s[s_start:s_end+1]，那么答案就是 f(0, len(s) – 1, 0, len(p) – 1)

而这道题实际上咱们也可采纳更简略的状态定义形式，不过基本思路都是差不多的。我仍旧卖个关子，前面讲转移方程再揭晓。

搞定了状态定义，你会发现工夫空间复杂度都变得很显著了。这也是为啥我反复强调状态定义是动静布局的外围。

工夫空间复杂度怎么个显著法了呢？

首先空间复杂度，我方才说了动静布局其实就是查表的暴力法，因而动静布局的空间复杂度打底就是表的大小。再直白一点就是下面的哈希表 memo 的大小。而 memo的大小根本就是状态的个数。状态个数是多少呢? 这不就取决你状态怎么定义了么？比方下面的 f(s1, p1)。状态的多少是多少呢？很显著就是每个参数的取值范畴大小的笛卡尔积。s1 的所有可能取值有 len(s) 种，p1 的所有可能有 len(p)种，那么总的状态大小就是 len(s) * len(p)。那空间复杂度是 $O(m * n)$，其中 m 和 n 别离为 s 和 p 的大小。

我说空间复杂度打底是状态个数，这里临时先不思考状态压缩的状况。

其次是工夫复杂度。工夫复杂度就比拟难说了。然而因为咱们 无论如何都要枚举所有状态 ，因而 工夫复杂度打底就是状态总数。以下面的状态定义形式，工夫复杂度打底就是 $O(m * n)$。

如果你枚举每一个状态都须要和 s 的每一个字符计算一下，那工夫复杂度就是 $O(m^2 * n)$。

以下面的爬楼梯的例子来说，咱们定义状态 f(n) 示意达到第 n 级台阶的办法数，那么状态总数就是 n，空间复杂度和工夫复杂度打底就是 $n$ 了。（依然不思考滚动数组优化）

再举个例子：62. 不同门路

一个机器人位于一个 m x n 网格的左上角（起始点在下图中标记为“Start”）。机器人每次只能向下或者向右挪动一步。机器人试图达到网格的右下角（在下图中标记为“Finish”）。问总共有多少条不同的门路？

这道题是和下面的爬楼梯很像，只不过从一维变成了二维，我把它叫做 二维爬楼梯，相似的换皮题还很多，大家缓缓领会。

这道题我定义状态为 f(i, j) 示意机器人达到点 (i,j) 的总的门路数。那么状态总数就是 i 和 j 的取值的笛卡尔积，也就是 m * n。

总的来说，动静布局的空间和工夫复杂度 打底就是状态的个数，而状态的个数通常是参数的笛卡尔积，这是由动静布局的无后向性决定的。

临界条件是比拟最容易的

当你定义好了状态，剩下就三件事了：

临界条件
状态转移方程
枚举状态

在下面解说的爬楼梯问题中，如果咱们用 f(n) 示意爬 n 级台阶有多少种办法的话，那么：

f(1) 与 f(2) 就是【边界】f(n) = f(n-1) + f(n-2) 就是【状态转移公式】

我用动静布局的模式示意一下：

dp[0] 与 dp[1] 就是【边界】dp[n] = dp[n - 1] + dp[n - 2] 就是【状态转移方程】

能够看出记忆化递归和动静布局是如许的类似。

实际上临界条件绝对简略，大家只有多刷几道题，外面就有感觉。艰难的是找到状态转移方程和枚举状态。这两个外围点的都建设在 曾经形象好了状态 的根底上。比方爬楼梯的问题，如果咱们用 f(n) 示意爬 n 级台阶有多少种办法的话，那么 f(1), f(2), … 就是各个 独立的状态。

搞定了状态的定义，那么咱们来看下状态转移方程。

动静布局中以后阶段的状态往往是上一阶段状态和上一阶段决策的后果。这里有两个关键字，别离是：

上一阶段状态
上一阶段决策

也就是说，如果给定了第 k 阶段的状态 s[k] 以及决策 choice(s[k])，则第 k+1 阶段的状态 s[k+1] 也就齐全确定，用公式示意就是：s[k] + choice(s[k]) -> s[k+1]，这就是状态转移方程。须要留神的是 choice 可能有多个，因而每个阶段的状态 s[k+1]也会有多个。

持续以下面的爬楼梯问题来说，爬楼梯问题因为上第 n 级台阶肯定是从 n – 1 或者 n – 2 来的，因而上第 n 级台阶的数目就是 上 n - 1 级台阶的数目加上 n - 1 级台阶的数目。

下面的这个了解是外围，它就是咱们的状态转移方程，用代码示意就是 f(n) = f(n - 1) + f(n - 2)。

实际操作的过程，有可能题目和爬楼梯一样直观，咱们不难想到。也可能暗藏很深或者维度过高。如果你切实想不到，能够尝试画图关上思路，这也是我刚学习动静布局时候的办法。当你做题量下来了，你的题感就会来，那个时候就能够不必画图了。

比方咱们定义了状态方程，据此咱们定义初始状态和指标状态。而后聚焦最优子结构，思考每一个状态到底如何进行扩大使得离指标状态越来越近。

如下图所示：

实践差不多先这样，接下来来几个实战消化一下。

ok，接下来是解密环节。下面两道题咱们都没有讲转移方程，咱们在这里补上。

第一道题：《5. 最长回文子串》难度中等。下面咱们的两种状态定义都不好，而我能够在下面的根底上 略微变动一点 就能够使得转移方程变得十分好写。这个技巧在很多动静题目都有体现，比方最长回升子序列等，须要大家把握。

以下面提到的 f(start, end) 来说，含意是子串 s[start:end+1]的最长回文子串。示意形式咱们不变，只是将含意变成子串 s[start:end+1]的最长回文子串，且必须蕴含 start 和 end。通过这样的定义，实际上咱们也没有必要定义 f(start, end)的返回值是长度了，而仅仅是布尔值就行了。如果返回 true，则最长回文子串就是 end – start + 1，否则就是 0。

这样转移方程就能够写为：

f(i,j)=f(i+1,j−1) and s[i] == s[j]

第二道题：《10. 正则表达式匹配》难度艰难。

以咱们剖析的 f(s_start, s_end, p_start, p_end) 来说，含意是子串 p1[p_start:p_end+1] 是否能够匹配字符串 s[s_start:s_end+1]。

实际上，咱们能够定义更简略的形式，那就是 f(s_end, p_end)，含意是子串 p1[:p_end+1] 是否能够匹配字符串 s[:s_end+1]。也就是说固定终点为索引 0，这同样也是一个 很常见的技巧，请务必把握。

这样转移方程就能够写为：

if p[j] 是小写字母，是否匹配取决于 s[i] 是否等于 p[j]:

$$
f(i,j)=\left\{
\begin{aligned}
f(i-1, j-1) & & s[i] == p[j] \\
false & & s[i] != p[j] \\
\end{aligned}
\right.
$$

if p[j] == ‘.’，肯定可匹配:

f(i,j)=f(i-1,j−1)

if p[j] == ‘*’，示意 p 能够匹配 s 第 j−1 个字符匹配任意次：

$$
f(i,j)=\left\{
\begin{aligned}
f(i-1, j) & & match & & 1+ & & times \\
f(i, j – 2) & & match & & 0 & & time \\
\end{aligned}
\right.
$$

置信你能剖析到这里，写出代码就不是难事了。具体代码可参考我的力扣题解仓库，咱就不在这里讲了。

留神到了么？所有的状态转移方程我都应用了上述的数学公式来形容。没错，所有的转移方程都能够这样形容。我倡议大家 做每一道动静布局题目都写出这样的公式，起初你可能感觉很烦麻烦。不过置信我，你坚持下去，会发现自己缓缓变弱小。就如同我强烈建议你每一道题都剖析好复杂度一样。动静布局不仅要搞懂转移方程，还要本人像我那样残缺地用数学公式写进去。

是不是感觉状态转移方程写起来麻烦？这里我给大家介绍一个小技巧，那就是应用 latex，latex 语法能够不便地写出这样的公式。另外西法还贴心地写了 一键生成动静布局转移方程公式 的性能，帮忙大家以最快速度生成公诉处。插件地址：https://leetcode-pp.github.io…

状态转移方程切实是没有什么灵丹妙药，不同的题目有不同的解法。状态转移方程同时也是解决动静布局问题中最最艰难和要害的点，大家肯定要多多练习，进步题感。接下来，咱们来看下不那么艰难，然而老手疑难比拟多的问题 – 如何枚举状态。

当然状态转移方程可能不止一个，不同的转移方程对应的效率也可能天壤之别，这个就是比拟玄学的话题了，须要大家在做题的过程中领悟。

后面说了如何枚举状态，能力不重不漏是枚举状态的关键所在。

如果是一维状态，那么咱们应用一层循环能够搞定。

for i in range(1, n + 1):
  pass

如果是两维状态，那么咱们应用两层循环能够搞定。

for i in range(1, m + 1):
  for j in range(1, n + 1):
    pass

。。。

然而实际操作的过程有很多细节比方:

一维状态我是先枚举右边的还是左边的？（从左到右遍历还是从右到左遍历）
二维状态我是先枚举左上边的还是右上的，还是左下的还是右下的？
里层循环和外层循环的地位关系（能够调换么）
。。。

其实这个货色和很多因素无关，很难总结出一个法则，而且我认为也齐全没有必要去总结法则。

不过这里我还是总结了一个关键点，那就是：

如果你没有应用滚动数组的技巧，那么遍历程序取决于状态转移方程。比方:

for i in range(1, n + 1):
  dp[i] = dp[i - 1] + 1

那么咱们就须要从左到右遍历，起因很简略，因为 dp[i] 依赖于 dp[i – 1]，因而计算 dp[i] 的时候，dp[i – 1] 须要曾经计算好了。

二维的也是一样的，大家能够试试。

如果你应用了滚动数组的技巧，则怎么遍历都能够，然而不同的遍历意义通常不不同的。比方我将二维的压缩到了一维：

for i in range(1, n + 1):
  for j in range(1, n + 1):
    dp[j] = dp[j - 1] + 1;

这样是能够的。dp[j – 1] 实际上指的是压缩前的 dpi

而：

for i in range(1, n + 1):
  #  倒着遍历
  for j in range(n, 0, -1):
    dp[j] = dp[j - 1] + 1;

这样也是能够的。然而 dp[j – 1] 实际上指的是压缩前的 dpi – 1。因而理论中采纳怎么样的遍历伎俩取决于题目。我特意写了一个【齐全背包问题】套路题（1449. 数位老本和为目标值的最大数字文章，通过一个具体的例子通知大家不同的遍历有什么理论不同，强烈建议大家看看，并棘手给个三连。

对于里外循环的问题，其实和下面原理相似。

这个比拟奥妙，大家能够参考这篇文章了解一下 0518.coin-change-2。

对于如何确定临界条件通常是比较简单的，多做几个题就能够疾速把握。

对于如何确定状态转移方程，这个其实比拟艰难。不过所幸的是，这些套路性比拟强，比方一个字符串的状态，通常是 dp[i] 示意字符串 s 以 i 结尾的 ….。比方两个字符串的状态，通常是 dpi 示意字符串 s1 以 i 结尾，s2 以 j 结尾的 ….。这样遇到新的题目能够往上套，切实套不出那就先诚实画图，一直察看，进步题感。

对于如何枚举状态，如果没有滚动数组，那么依据转移方程决定如何枚举即可。如果用了滚动数组，那么要留神压缩后和压缩前的 dp 对应关系即可。

下面咱们用记忆化递归的问题奇妙地解决了爬楼梯问题。那么动静布局是怎么解决这个问题呢？

答案也是“查表”，咱们平时写的 dp table 就是表，其实这个 dp table 和下面的 memo 没啥差异。

而个别咱们写的 dp table，数组的索引通常对应记忆化递归的函数参数，值对应递归函数的返回值。

看起来两者仿佛 没任何思维上的差别，区别的仅仅是写法？？没错。不过这种写法上的差别还会带来一些别的相干差别，这点咱们之后再讲。

如果下面的爬楼梯问题，应用动静布局，代码是怎么样的呢？咱们来看下：

function climbStairs(n) {if (n == 1) return 1;
  const dp = new Array(n);
  dp[0] = 1;
  dp[1] = 2;

  for (let i = 2; i < n; i++) {dp[i] = dp[i - 1] + dp[i - 2];
  }
  return dp[dp.length - 1];
}

大家当初不会也没关系，咱们将 前文的递归的代码略微革新一下。其实就是将函数的名字改一下：

function dp(n) {if (n === 1) return 1;
  if (n === 2) return 2;
  return dp(n - 1) + dp(n - 2);
}

通过这样的变动。咱们将 dp[n] 和 dp(n) 比照看，这样是不是有点了解了呢? 其实他们的区别只不过是 递归用调用栈枚举状态，而动静布局应用迭代枚举状态。

如果须要多个维度枚举，那么记忆化递归外部也能够应用迭代进行枚举，比方最长回升子序列问题。

动静布局的查表过程如果画成图，就是这样的：

虚线代表的是查表过程

爬楼梯咱们并没有必要应用一维数组，而是借助两个变量来实现的，空间复杂度是 O(1)。代码：

function climbStairs(n) {if (n === 1) return 1;
  if (n === 2) return 2;

  let a = 1;
  let b = 2;
  let temp;

  for (let i = 3; i <= n; i++) {
    temp = a + b;
    a = b;
    b = temp;
  }

  return temp;
}

之所以能这么做，是因为爬楼梯问题的状态转移方程中 以后状态只和前两个状态无关，因而只须要存储这两个即可。动静布局问题有很多这种讨巧的形式，这个技巧叫做滚动数组。

这道题目是动静布局中最简略的问题了，因为仅波及到单个因素的变动，如果波及到多个因素，就比较复杂了，比方驰名的背包问题，挖金矿问题等。

对于单个因素的，咱们最多只须要一个一维数组即可，对于如背包问题咱们须要二维数组等更高纬度。

答复下面的问题：记忆化递归和动静布局除了一个用递归一个用迭代，其余没差异。那两者有啥区别呢？我感觉最大的区别就是记忆化递归无奈应用滚动数组优化（不信你用下面的爬楼梯试一下），记忆化调用栈的开销比拟大（复杂度不变，你能够认为空间复杂度常数项更大），不过简直不至于 TLE 或者 MLE。因而我的倡议就是没空间优化需要间接就记忆化，否则用迭代 dp。

再次强调一下：

如果说递归是从问题的后果倒推，直到问题的规模放大到寻常。那么动静布局就是从寻常动手，逐渐扩充规模到最优子结构。
记忆化递归和动静布局没有实质不同。都是枚举状态，并依据状态间接的分割逐渐推导求解。
动静布局性能通常更好。一方面是递归的栈开销，一方面是滚动数组的技巧。

背包 DP（这个咱们专门开了一个专题讲）
区间 DP

区间类动静布局是线性动静布局的扩大，它在分阶段地划分问题时，与阶段中元素呈现的程序和由前一阶段的哪些元素合并而来有很大的关系。令状态 $f(i,j)$ 示意将下标地位 $i$ 到 $j$ 的所有元素合并能取得的价值的最大值，那么 $f(i,j)=\max\{f(i,k)+f(k+1,j)+cost\}$，$cost$ 为将这两组元素合并起来的代价。

区间 DP 的特点：

合并：行将两个或多个局部进行整合，当然也能够反过来；

特色：能将问题合成为能两两合并的模式；

求解：对整个问题设最优值，枚举合并点，将问题合成为左右两个局部，最初合并两个局部的最优值得到原问题的最优值。

举荐两道题：

877. 石子游戏
312. 戳气球
状压 DP

对于状压 DP 能够参考下我之前写过的一篇文章：状压 DP 是什么？这篇题解带你入门

数位 DP

数位 DP 通常是这：给定一个闭区间，让你求这个区间中满足 某种条件 的数的总数。

举荐一道题 Increasing-Digits

计数 DP 和概率 DP

这两个我就不多说。因为没啥法则。

之所以列举计数 DP 是因为两个起因：

让大家晓得的确有这个题型。
计数是动静布局的副产物。

概率 DP 比拟非凡，概率 DP 的状态转移公式个别是说一个状态 有多大的概率从某一个状态转移过去，更像是冀望的计算，因而也叫冀望 DP。

91. 解码办法
837. 新 21 点

更多题目类型以及举荐题目见刷题插件的学习路线。插件获取形式：公众号力扣加加回复插件。

从数组两端同时进行遍历的时候应用记忆化递归不便，其实也就是区间 DP（range dp）。比方石子游戏，再比方这道题 https://binarysearch.com/prob…

如果区间 dp 你的遍历形式大略须要这样：

class Solution:
    def solve(self, s):
        n = len(s)
        dp = [[0] * n for _ in range(n)]
        # 右边界倒序遍历
        for i in range(n - 1, -1, -1):
            # 左边界正序遍历
            for j in range(i + 1, n):
                # do something
        return  dp[0][m-1] # 个别都是应用这个区间作为答案

如果应用记忆化递归则不需思考遍历形式的问题。

代码：

class Solution:
    def solve(self, s):
        @lru_cache(None)
        def helper(l, r):
            if l >= r:
                return 0

            if s[l] == s[r]:
                return helper(l + 1, r - 1)

            return 1 + min(helper(l + 1, r), helper(l, r - 1))

        return helper(0, len(s) - 1)

抉择比拟离散的时候，应用记忆化递归更好。比方马走棋盘。

那什么时候不必记忆化递归呢？答案是其余状况都不必。因为一般的 dp table 有一个重要的性能，这个性能记忆化递归是无奈代替的，那就是 滚动数组优化。如果你须要对空间进行优化，那肯定要用 dp table。

理论知识曾经差不多了，咱们拿一道题来试试手。

咱们以一个十分经典的背包问题来练一下手。

题目：322. 零钱兑换

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能够凑成总金额所需的起码的硬币个数。如果没有任何一种硬币组合能组成总金额，返回 -1。你能够认为每种硬币的数量是有限的。示例 1：输出：coins = [1, 2, 5], amount = 11
输入：3
解释：11 = 5 + 5 + 1

这道题的参数有两个，一个是 coins，一个是 amount。

咱们能够定义状态为 f(i, j) 示意用 coins 的前 i 项找 j 元须要的起码硬币数。那么答案就是 f(len(coins) – 1, amount)。

由组合原理，coins 的所有抉择状态是 $2^n$。状态总数就是 i 和 j 的取值的笛卡尔积，也就是 2^len(coins) * (amount + 1)。

减 1 是因为存在 0 元的状况。

明确了这些，咱们须要思考的就是状态如何转移，也就是如何从寻常转移到 f(len(coins) – 1, amount)。

如何确定状态转移方程？咱们须要:

聚焦最优子结构
做抉择，在抉择中取最优解（如果是计数 dp 则进行计数）

对于这道题来说，咱们的抉择有两种：

抉择 coins[i]
不抉择 coins[i]

这无疑是齐备的。只不过仅仅是对 coins 中的每一项进行 抉择与不抉择，这样的状态数就曾经是 $2^n$ 了，其中 n 为 coins 长度。

如果仅仅是这样枚举必定会超时，因为状态数曾经是指数级别了。

而这道题的外围在于 coins[i] 抉择与否其实没有那么重要，重要的其实是抉择的 coins 一共有多少钱。

因而咱们能够定义 f(i, j) 示意抉择了 coins 的前 i 项（怎么选的不关怀），且组成 j 元须要的起码硬币数。

举个例子来说，比方 coins = [1,2,3]。那么抉择 [1,2] 和抉择 [3] 尽管是不一样的状态，然而咱们压根不关怀。因为这两者没有区别，咱们还是谁对后果奉献大就 pick 谁。

以 coins = [1,2,3], amount = 6 来说，咱们能够画出如下的递归树。

（图片来自 https://leetcode.com/problems…

因而转移方程就是 min(dp[i][j], dp[i-1][j - coins[j]] + 1)，含意就是：min(不抉择 coins[j], 抉择 coins[j]) 所需起码的硬币数。

用公式示意就是：

$$
dp[i]=\left\{
\begin{aligned}
min(dp[i][j], dp[i-1][j – coins[j]] + 1) & & j >= coins[j] \\
amount + 1 & & j < coins[j] \\
\end{aligned}
\right.
$$

amount 示意无解。因为硬币的面额都是正整数，不可能存在一种须要 amount + 1 枚硬币的计划。

代码

记忆化递归：

class Solution:
    def coinChange(self, coins: List[int], amount: int) -> int:
        @lru_cache(None)
        def dfs(amount):
            if amount < 0: return float('inf')
            if amount == 0: return 0
            ans = float('inf')
            for coin in coins:
                ans = min(ans, 1 + dfs(amount - coin))
            return ans
        ans = dfs(amount)
        return -1 if ans == float('inf') else ans

二维 dp:



class Solution:
    def coinChange(self, coins: List[int], amount: int) -> int:
        if amount < 0:
            return - 1
        dp = [[amount + 1 for _ in range(len(coins) + 1)]
              for _ in range(amount + 1)]
        # 初始化第一行为 0，其余为最大值（也就是 amount + 1）for j in range(len(coins) + 1):
            dp[0][j] = 0

        for i in range(1, amount + 1):
            for j in range(1, len(coins) + 1):
                if i - coins[j - 1] >= 0:
                    dp[i][j] = min(dp[i][j - 1], dp[i - coins[j - 1]][j] + 1)
                else:
                    dp[i][j] = dp[i][j - 1]

        return -1 if dp[-1][-1] == amount + 1 else dp[-1][-1]

dpi 依赖于 dp[i][j - 1] 和 dp[i - coins[j - 1]][j] + 1) 这是一个优化的信号，咱们能够将其优化到一维。

一维 dp（滚动数组优化）：

class Solution:
    def coinChange(self, coins: List[int], amount: int) -> int:
        dp = [amount + 1] * (amount + 1)
        dp[0] = 0

        for j in range(len(coins)):
            for i in range(1, amount + 1):
                if i >= coins[j]:
                    dp[i] = min(dp[i], dp[i - coins[j]] + 1)

        return -1 if dp[-1] == amount + 1 else dp[-1]

最初举荐几道题目给大家，倡议大家别离应用记忆化递归和动静布局来解决。如果应用动静布局，则尽可能应用滚动数组优化空间。

0091.decode-ways
0139.word-break
0198.house-robber
0309.best-time-to-buy-and-sell-stock-with-cooldown
0322.coin-change
0416.partition-equal-subset-sum
0518.coin-change-2

本篇文章总结了算法中比拟罕用的两个办法 – 递归和动静布局。递归的话能够拿树的题目练手，动静布局的话则将我下面举荐的刷完，再思考去刷力扣的动静布局标签即可。

大家后期学习动静布局的时候，能够先尝试应用记忆化递归解决。而后将其革新为动静布局，这样多练习几次就会有感觉。之后大家能够练习一下滚动数组，这个技巧很有用，并且相对来说比较简单。

动静布局的外围在于定义状态，定义好了状态其余都是瓜熟蒂落。

动静布局的难点在于 枚举所有状态（不重不漏） 和 寻找状态转移方程。

oi-wiki – dp 这个材料举荐大家学习，十分全面。只不过更适宜有肯定根底的人，大家能够配合本讲义食用哦。

另外，大家能够去 LeetCode 摸索中的递归 I 中进行互动式学习。

关于算法:动态规划到底有多难

动静布局到底有多难？

记忆化递归

什么是递归？

不仅仅是一般的递归函数

什么是记忆化？

小结

动静布局

动静布局的基本概念

最优子结构

无后效性

动静布局三要素

状态定义

状态转移方程

如何枚举状态

小结

动静布局 VS 记忆化递归

滚动数组优化

动静布局的根本类型

什么时候用记忆化递归？

热身开始

举荐练习题目

总结

参考