共计 5931 个字符，预计需要花费 15 分钟才能阅读完成。
在学习「数据结构和算法」的过程中，因为人习惯了平铺直叙的思维方式，所以「递归」与「动态规划」这种带循环概念（绕来绕去）的往往是相对比较难以理解的两个抽象知识点。
程序员小吴打算使用动画的形式来帮助理解「递归」，然后通过「递归」的概念延伸至理解「动态规划」算法思想。
什么是递归
先下定义：递归算法是一种直接或者间接调用自身函数或者方法的算法。
通俗来说，递归算法的实质是把问题分解成规模缩小的同类问题的子问题，然后递归调用方法来表示问题的解。它有如下特点：
一个问题的解可以分解为几个子问题的解
这个问题与分解之后的子问题，除了数据规模不同，求解思路完全一样
存在递归终止条件，即必须有一个明确的递归结束条件，称之为递归出口
通过动画一个一个特点来进行分析。
1. 一个问题的解可以分解为几个子问题的解
子问题就是相对与其前面的问题数据规模更小的问题。
在动图中①号问题（一块大区域）划分为②号问题，②号问题由两个子问题（两块中区域）组成。
2. 这个问题与分解之后的子问题，除了数据规模不同，求解思路完全一样
「①号划分为②号」与「②号划分为③号」的逻辑是一致的，求解思路是一样的。
3. 存在递归终止条件，即存在递归出口
把问题分解为子问题，把子问题再分解为子子问题，一层一层分解下去，不能存在无限循环，这就需要有终止条件。
①号划分为②号，②号划分为③号，③号划分为④号，划分到④号的时候每个区域只有一个不能划分的问题，这就表明存在递归终止条件。
从递归的经典示例开始
一. 数组求和
Sum(arr[0…n-1]) = arr[0] + Sum(arr[1…n-1])
后面的 Sum 函数要解决的就是比前一个 Sum 更小的同一问题。
Sum(arr[1…n-1]) = arr[1] + Sum(arr[2…n-1])
以此类推，直到对一个空数组求和，空数组和为 0，此时变成了最基本的问题。
Sum(arr[n-1…n-1] ) = arr[n-1] + Sum([])
二. 汉诺塔问题
汉诺塔（Hanoi Tower）问题也是一个经典的递归问题，该问题描述如下：
汉诺塔问题：古代有一个梵塔，塔内有三个座 A、B、C，A 座上有 64 个盘子，盘子大小不等，大的在下，小的在上。有一个和尚想把这个盘子从 A 座移到 B 座，但每次只能允许移动一个盘子，并且在移动过程中，3 个座上的盘子始终保持大盘在下，小盘在上。
① 如果只有 1 个盘子，则不需要利用 B 塔，直接将盘子从 A 移动到 C。
② 如果有 2 个盘子，可以先将盘子 2 上的盘子 1 移动到 B；将盘子 2 移动到 C；将盘子 1 移动到 C。这说明了：可以借助 B 将 2 个盘子从 A 移动到 C，当然，也可以借助 C 将 2 个盘子从 A 移动到 B。
③ 如果有 3 个盘子，那么根据 2 个盘子的结论，可以借助 C 将盘子 3 上的两个盘子从 A 移动到 B；将盘子 3 从 A 移动到 C，A 变成空座；借助 A 座，将 B 上的两个盘子移动到 C。
④ 以此类推，上述的思路可以一直扩展到 n 个盘子的情况，将将较小的 n- 1 个盘子看做一个整体，也就是我们要求的子问题，以借助 B 塔为例，可以借助空塔 B 将盘子 A 上面的 n-1 个盘子从 A 移动到 B；将 A 最大的盘子移动到 C，A 变成空塔；借助空塔 A，将 B 塔上的 n-2 个盘子移动到 A，将 C 最大的盘子移动到 C，B 变成空塔。。。
三. 爬台阶问题
问题描述：
一个人爬楼梯，每次只能爬 1 个或 2 个台阶，假设有 n 个台阶，那么这个人有多少种不同的爬楼梯方法？
先从简单的开始，以 4 个台阶为例，可以通过每次爬 1 个台阶爬完楼梯：
可以通过先爬 2 个台阶，剩下的每次爬 1 个台阶爬完楼梯
在这里，可以思考一下：可以根据第一步的走法把所有走法分为两类：
① 第一类是第一步走了 1 个台阶
② 第二类是第一步走了 2 个台阶
所以 n 个台阶的走法就等于先走 1 阶后，n-1 个台阶的走法，然后加上先走 2 阶后，n-2 个台阶的走法。
用公式表示就是：
f(n) = f(n-1)+f(n-2)
有了递推公式，递归代码基本上就完成了一半。那么接下来考虑递归终止条件。
当有一个台阶时，我们不需要再继续递归，就只有一种走法。
所以 f(1)=1。
通过用 n = 2，n = 3 这样比较小的数试验一下后发现这个递归终止条件还不足够。
n = 2 时，f(2) = f(1) + f(0)。如果递归终止条件只有一个 f(1) = 1，那 f(2) 就无法求解，递归无法结束。所以除了 f(1) = 1 这一个递归终止条件外，还要有 f(0) = 1，表示走 0 个台阶有一种走法，从思维上以及动图上来看，这显得的有点不符合逻辑。所以为了便于理解，把 f(2) = 2 作为一种终止条件，表示走 2 个台阶，有两种走法，一步走完或者分两步来走。
总结如下：
① 假设只有一个台阶，那么只有一种走法，那就是爬 1 个台阶
② 假设有两个个台阶，那么有两种走法，一步走完或者分两步来走
通过递归条件：
f(1) = 1;
f(2) = 2;
f(n) = f(n-1)+f(n-2)
很容易推导出递归代码：
int f(int n) {
if (n == 1) return 1;
if (n == 2) return 2;
return f(n-1) + f(n-2);
}
通过上述三个示例，总结一下如何写递归代码：
1. 找到如何将大问题分解为小问题的规律
2. 通过规律写出递推公式
3. 通过递归公式的临界点推敲出终止条件
4. 将递推公式和终止条件翻译成代码
什么是动态规划
介绍动态规划之前先介绍一下分治策略（Divide and Conquer）。
分治策略
将原问题分解为若干个规模较小但类似于原问题的子问题（Divide），「递归」的求解这些子问题（Conquer），然后再合并这些子问题的解来建立原问题的解。
因为在求解大问题时，需要递归的求小问题，因此一般用「递归」的方法实现，即自顶向下。
动态规划（Dynamic Programming）
动态规划其实和分治策略是类似的，也是将一个原问题分解为若干个规模较小的子问题，递归的求解这些子问题，然后合并子问题的解得到原问题的解。区别在于这些子问题会有重叠，一个子问题在求解后，可能会再次求解，于是我们想到将这些子问题的解存储起来，当下次再次求解这个子问题时，直接拿过来就是。其实就是说，动态规划所解决的问题是分治策略所解决问题的一个子集，只是这个子集更适合用动态规划来解决从而得到更小的运行时间。即用动态规划能解决的问题分治策略肯定能解决，只是运行时间长了。因此，分治策略一般用来解决子问题相互对立的问题，称为标准分治，而动态规划用来解决子问题重叠的问题。
与「分治策略」「动态规划」概念接近的还有「贪心算法」「回溯算法」，由于篇幅限制，程序员小吴就不在这进行展开，在后续的文章中将分别详细的介绍「贪心算法」、「回溯算法」、「分治算法」，敬请关注：）
将「动态规划」的概念关键点抽离出来描述就是这样的：
1. 动态规划法试图只解决每个子问题一次
2. 一旦某个给定子问题的解已经算出，则将其记忆化存储，以便下次需要同一个子问题解之时直接查表。
从递归到动态规划
还是以 爬台阶 为例，如果以递归的方式解决的话，那么这种方法的时间复杂度为 O(2^n)，具体的计算可以查看笔者之前的文章《冰与火之歌：时间复杂度与空间复杂度》。
相同颜色代表着 爬台阶问题 在递归计算过程中重复计算的部分。
通过图片可以发现一个现象，我们是 自顶向下 的进行递归运算，比如：f(n) 是 f(n-1) 与 f(n-2) 相加，f(n-1) 是 f(n-2) 与 f(n-3) 相加。
思考一下：如果反过来，采取自底向上，用迭代的方式进行推导会怎么样了？
下面通过表格来解释 f(n) 自底向上的求解过程。
台阶数
1
2
3
4
5
6
7
8
9
走法数
1
2
表格的第一行代表了楼梯台阶的数目，第二行代表了若干台阶对应的走法数。其中 f(1) = 1 和 f(2) = 2 是前面明确的结果。
第一次迭代，如果台阶数为 3，那么走法数为 3，通过 f(3) = f(2) + f(1) 得来。
台阶数
1
2
3
4
5
6
7
8
9
走法数
1
2
3
第二次迭代，如果台阶数为 4，那么走法数为 5，通过 f(4) = f(3) + f(2) 得来。
台阶数
1
2
3
4
5
6
7
8
9
走法数
1
2
3
5
由此可见，每一次迭代过程中，只需要保留之前的两个状态，就可以推到出新的状态。
show me the code
int f(int n) {
if (n == 1) return 1;
if (n == 2) return 2;
// a 保存倒数第二个子状态数据，b 保存倒数第一个子状态数据，temp 保存当前状态的数据
int a = 1, b = 2;
int temp = a + b;
for (int i = 3; i <= n; i++) {
temp = a + b;
a = b;
b = temp;
}
return temp;
}
程序从 i = 3 开始迭代，一直到 i = n 结束。每一次迭代，都会计算出多一级台阶的走法数量。迭代过程中只需保留两个临时变量 a 和 b，分别代表了上一次和上上次迭代的结果。为了便于理解，引入了 temp 变量。temp 代表了当前迭代的结果值。
看一看出，事实上并没有增加太多的代码，只是简单的进行了优化，时间复杂度便就降为 O(n)，而空间复杂度也变为 O(1)，这，就是「动态规划」的强大！
详解动态规划
「动态规划」中包含三个重要的概念：
【最优子结构】
【边界】
【状态转移公式】
在「爬台阶问题」中
f(10) = f(9) + f(8) 是【最优子结构】f(1) 与 f(2) 是【边界】f(n) = f(n-1) + f(n-2)【状态转移公式】
「爬台阶问题」只是动态规划中相对简单的问题，因为它只有一个变化维度，如果涉及多个维度的话，那么问题就变得复杂多了。
难点就在于找出「动态规划」中的这三个概念。
比如「国王和金矿问题」。
国王和金矿问题
有一个国家发现了 5 座金矿，每座金矿的黄金储量不同，需要参与挖掘的工人数也不同。参与挖矿工人的总数是 10 人。每座金矿要么全挖，要么不挖，不能派出一半人挖取一半金矿。要求用程序求解出，要想得到尽可能多的黄金，应该选择挖取哪几座金矿？
找出「动态规划」中的这三个概念
国王和金矿问题中的【最优子结构】
国王和金矿问题中的【最优子结构】有两个：
① 4 金矿 10 工人的最优选择
② 4 金矿（10 – 5）工人的最优选择
4 金矿的最优选择与 5 金矿的最优选择之间的关系是
MAX[（4 金矿 10 工人的挖金数量），（4 金矿 5 工人的挖金数量 + 第 5 座金矿的挖金数量）]
国王和金矿问题中的【边界】
国王和金矿问题中的【边界】有两个：
① 当只有 1 座金矿时，只能挖这座唯一的金矿，得到的黄金数量为该金矿的数量
② 当给定的工人数量不够挖 1 座金矿时，获取的黄金数量为 0
国王和金矿问题中的【状态转移公式】
我们把金矿数量设为 N，工人数设为 W，金矿的黄金量设为数组 G[]，金矿的用工量设为数组 P[]，得到【状态转移公式】：
边界值：F(n,w) = 0 (n <= 1, w < p[0])
F(n,w) = g[0] (n==1, w >= p[0])
F(n,w) = F(n-1,w) (n > 1, w < p[n-1])
F(n,w) = max(F(n-1,w), F(n-1,w-p[n-1]) + g[n-1]) (n > 1, w >= p[n-1])
国王和金矿问题中的【实现】
先通过几幅动画来理解「工人」与「金矿」搭配的方式
1. 只挖第一座金矿
在只挖第一座金矿前面两个工人挖矿收益为 零，当有三个工人时，才开始产生收益为 200，而后即使增加再多的工人收益不变，因为只有一座金矿可挖。
2. 挖第一座与第二座金矿
在第一座与第二座金矿这种情况中，前面两个工人挖矿收益为 零，因为 W < 3, 所以 F(N,W) = F(N-1,W) = 0。
当有 三 个工人时，将其安排挖第 一 个金矿，开始产生收益为 200。
当有 四 个工人时，挖矿位置变化，将其安排挖第 二 个金矿，开始产生收益为 300。
当有 五、六 个工人时，由于多于 四 个工人的人数不足以去开挖第 一 座矿，因此收益还是为 300。
当有 七 个工人时，可以同时开采第 一 个和第 二 个金矿，开始产生收益为 500。
3. 挖前三座金矿
这是「国王和金矿」问题中最重要的一个动画之一，可以多看几遍
4. 挖前四座金矿
这是「国王和金矿」问题中最重要的一个动画之一，可以多看几遍
国王和金矿问题中的【规律】
仔细观察上面的几组动画可以发现：
对比「挖第一座与第二座金矿」和「挖前三座金矿」，在「挖前三座金矿」中，3 金矿 7 工人的挖矿收益，来自于 2 金矿 7 工人和 2 金矿 4 工人的结果，Max(500,300 + 350) = 650；
对比「挖前三座金矿」和「挖前四座金矿」，在「挖前四座金矿」中，4 金矿 10 工人的挖矿收益，来自于 3 金矿 10 工人和 3 金矿 5 工人的结果，Max(850,400 + 300) = 850；
国王和金矿问题中的【动态规划代码】
代码来源：https://www.cnblogs.com/SDJL/archive/2008/08/22/1274312.html
//maxGold[i][j] 保存了 i 个人挖前 j 个金矿能够得到的最大金子数，等于 -1 时表示未知
int maxGold[max_people][max_n];
int GetMaxGold(int people, int mineNum){
int retMaxGold; // 声明返回的最大金矿数量
// 如果这个问题曾经计算过
if(maxGold[people][mineNum] != -1){
retMaxGold = maxGold[people][mineNum]; // 获得保存起来的值
}else if(mineNum == 0) {// 如果仅有一个金矿时 [ 对应动态规划中的 ” 边界 ”]
if(people >= peopleNeed[mineNum]) // 当给出的人数足够开采这座金矿
retMaxGold = gold[mineNum]; // 得到的最大值就是这座金矿的金子数
else // 否则这唯一的一座金矿也不能开采
retMaxGold = 0; // 得到的最大值为 0 个金子
}else if(people >= peopleNeed[mineNum]) // 如果人够开采这座金矿 [对应动态规划中的 ” 最优子结构 ”]
{
// 考虑开采与不开采两种情况，取最大值
retMaxGold = max(
GetMaxGold(people – peopleNeed[mineNum],mineNum – 1) + gold[mineNum],
GetMaxGold(people,mineNum – 1)
);
}else// 否则给出的人不够开采这座金矿 [对应动态规划中的 ” 最优子结构 ”]
{
retMaxGold = GetMaxGold(people,mineNum – 1); // 仅考虑不开采的情况
maxGold[people][mineNum] = retMaxGold;
}
return retMaxGold;
}
希望通过这篇文章，大家能对「递归」与「动态规划」有一定的理解。后续将以「动态规划」为基础研究多重背包算法、迪杰特斯拉算法等更高深的算法问题，同时「递归」的更多概念也会在「分治算法」章节再次延伸，敬请对程序员小吴保持关注：）
