关于算法:动态规划问题为什么要画表格

本文是我的 91 算法第一期的局部讲义内容。91 算法第一期曾经靠近序幕，二期的具体工夫关注我的公众号即可，一旦凋谢，会第一工夫在公众号《力扣加加》告诉大家。

动静布局能够了解为是 查表的递归（记忆化）。那么什么是递归？什么是查表（记忆化）？

定义：递归是指在函数的定义中应用函数本身的办法。

算法中应用递归能够很简略地实现一些用循环实现的性能，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。

纯正的函数式编程中没有循环，只有递归。

有意义的递归算法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，咱们能够晓得它的解。而后咱们建设递归函数之间的分割即可解决原问题，这也是咱们应用递归的意义。精确来说，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。

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），也就是顺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(n):
  return n + f(n - 1)

更多的状况应该是：

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

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。

如果你曾经对递归比拟相熟了，那么咱们持续往下看。

递归中可能存在这么多的反复计算，为了打消这种反复计算，一种简略的形式就是记忆化递归。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。而 动静布局中 DP 数组其实和这里“记录表”的作用是一样的。

敬请期待我的新书。

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

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！

如果你曾经相熟了递归的技巧，那么应用递归解决问题十分合乎人的直觉，代码写起来也比较简单。这个时候咱们来关注另一个问题 – 反复计算 。咱们能够通过剖析（能够尝试画一个递归树），能够看出递归在放大问题规模的同时 是否可能会反复计算。279.perfect-squares 中我通过递归的形式来解决这个问题，同时外部保护了一个缓存来存储计算过的运算，这么做能够缩小很多运算。这其实和动静布局有着殊途同归的中央。

小提示：如果你发现并没有反复计算，那么就没有必要用记忆化递归或者动静布局了。

因而动静布局就是枚举所以可能。不过相比暴力枚举，动静布局不会有反复计算。因而如何保障枚举时不重不漏是关键点之一。递归因为应用了函数调用栈来存储数据，因而如果栈变得很大，那么会容易爆栈。

咱们联合求和问题来解说一下，题目是给定一个数组，求出数组中所有项的和，要求应用递归实现。

代码：

function sum(nums) {if (nums.length === 0) return 0;
  if (nums.length === 1) return nums[0];

  return nums[0] + sum(nums.slice(1));
}

咱们用递归树来直观地看一下。

这种做法自身没有问题，然而每次执行一个函数都有肯定的开销，拿 JS 引擎执行 JS 来说，每次函数执行都会进行入栈操作，并进行预处理和执行过程，所以内存会有额定的开销，数据量大的时候很容易造成爆栈。

浏览器中的 JS 引擎对于代码执行栈的长度是有限度的，超过会爆栈，抛出异样。

咱们再举一个反复计算的例子，问题形容：

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？

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。

递归代码：

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

咱们持续用一个递归树来直观感触以下：

红色示意反复的计算

能够看出这外面有很多反复计算，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。

那么动静布局是怎么解决这个问题呢？答案也是“查表”，不过区别于递归应用函数调用栈，动静布局通常应用的是 dp 数组，数组的索引通常是问题规模，值通常是递归函数的返回值。递归是从问题的后果倒推，直到问题的规模放大到寻常。动静布局是从寻常动手，逐渐扩充规模到最优子结构。

如果下面的爬楼梯问题，应用动静布局，代码是这样的：

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];
}

不会也没关系，咱们将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);
}

dp[n] 和 dp(n) 比照看，这样是不是有点了解了呢? 只不过递归用调用栈枚举状态，而动静布局应用迭代枚举状态。

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

这道题目是动静布局中最简略的问题了，因为设计到单个因素的变动，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。

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。

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。

状态转移方程
临界条件
枚举状态

能够看出，用递归解决也是一样的思路

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】

能够看出两者是如许的类似。

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。

不过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 ….。

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。

搞定了状态的定义，那么咱们来看下状态转移方程。

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。

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。

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。
如果是两维状态，那么咱们应用两层循环能够搞定。
。。。

这样能够保障不重不漏。

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。

动静布局问题要画表格，然而有的人不晓得为什么要画，就感觉这个是必然的，必要要画表格才是动静布局。

其实动静布局实质上是将大问题转化为小问题，而后大问题的解是和小问题有关联的，换句话说大问题能够由小问题进行计算失去。这一点是和用递归解决一样的，然而动静布局是一种相似查表的办法来缩短工夫复杂度和空间复杂度。

画表格的目标就是去一直推导，实现状态转移，表格中的每一个 cell 都是一个 小问题，咱们填表的过程其实就是在解决问题的过程，

咱们先解决规模为寻常的状况，而后依据这个后果逐渐推导，通常状况下，表格的右下角是问题的最大的规模，也就是咱们想要求解的规模。

比方咱们用动静布局解决背包问题，其实就是在一直依据之前的小问题 A[i - 1][j] A[i -1][w - wj] 来询问：

应该抉择它
还是不抉择它

至于判断的规范很简略，就是价值最大，因而咱们要做的就是对于抉择和不抉择两种状况别离求价值，而后取最大，最初更新 cell 即可。

其实大部分的动静布局问题套路都是“抉择”或者“不抉择”，也就是说是一种“选择题”。并且大多数动静布局题目还随同着空间的优化（滚动数组），这是动静布局绝对于传统的记忆化递归劣势的中央。除了这点劣势，就是上文提到的应用动静布局能够缩小递归产生的函数调用栈，因而性能上更好。

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。比拟动静布局的难点在于 枚举所以状态（无反复） 和 寻找状态转移方程。

如果你只能记住一句话，那么请记住：递归是从问题的后果倒推，直到问题的规模放大到寻常。动静布局是从寻常动手，逐渐扩充规模到最优子结构。

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:动态规划问题为什么要画表格

递归

练习递归

递归中的反复计算

递归的工夫复杂度剖析

小结

动静布局

爆栈

反复计算

动静布局的三个因素

状态转移方程

如何枚举状态

小结

动静布局为什么要画表格

相干问题

总结

Just My Socks（注册教程内含优惠码）

关于算法:动态规划问题为什么要画表格

递归

练习递归

递归中的反复计算

递归的工夫复杂度剖析

小结

动静布局

爆栈

反复计算

动静布局的三个因素

状态转移方程

如何枚举状态

小结

动静布局为什么要画表格

相干问题

总结

Just My Socks（注册教程 内含优惠码）

Just My Socks（注册教程内含优惠码）