1. 感性认识“动态规划”

1. 基本概念

是求解决策过程(decision process)最优化的数学方法。把多阶段过程转化为一系列单阶段问题，利用各阶段之间的关系，逐个求解，是一种解决这类过程优化问题的新方法。

2. 使用技巧：

动态规划算法通常用于求解具有某种最优性质的问题！！！特别的，动态规划（Dynamic Programming）对于子问题重叠的情况特别有效，因为它将子问题的解保存在表格中，当需要某个子问题的解时，直接取值即可，从而避免重复计算！

3. 基本思想与策略

我们通过一个问题来引出：

提问：动态规划与分治法有什么不同？

答：适合于用动态规划求解的问题，经分解得到子问题往往不是互相独立的。若用分治法来解这类问题，则分解得到的子问题数目太多，有些子问题被重复计算了很多次。如果我们能够保存已解决的子问题的答案，而在需要时再找出已求得的答案，这样就可以避免大量的重复计算，节省时间。我们可以用一个表来记录所有已解的子问题的答案。不管该子问题以后是否被用到，只要它被计算过，就将其结果填入表中。这就是动态规划法的基本思路。具体的动态规划算法多种多样，但它们具有相同的填表格式。

说明：具体的填表情况还是要看具体所涉及的情景，有时可能不需要保存全部的子状态，而只需要保存之前的1～2个状态即可。比如：爬楼梯问题等

4. 适用的情况

1）两个必备要素

适合应用动态规划方法求解的最优化问题应该具备两个重要的要素：最优子结构和子问题重叠。

(a)最优子结构：问题的最优解由相关子问题的最优解组合而成，并且可以独立求解子问题！

(b)子问题重叠：递归过程反复的在求解相同的子问题。

2）三个性质

能采用动态规划求解的问题的一般要具有3个性质：

(a) 最优化原理：如果问题的最优解所包含的子问题的解也是最优的，就称该问题具有最优子结构，即满足最优化原理。

(b) 无后效性：即某阶段状态（定义的新子问题）一旦确定，就不受这个状态以后决策的影响。也就是说，某状态以后的过程不会影响以前的状态，只与其以前的状态有关。

(c)有重叠子问题：即子问题之间是不独立的（分治法是独立的），一个子问题在下一阶段决策中可能被多次使用到。（该性质并不是动态规划适用的必要条件，但是如果没有这条性质，动态规划算法同其他算法相比就不具备优势）

比如下面的问题:相同颜色的子问题就被重复用到。

5. 求解的基本步骤

实际应用中可以按以下几个简化的步骤进行设计：

（1）分析最优解的性质，并刻画其结构特征，这一步的开始时一定要从子问题入手。（2）定义最优解变量，定义递归最优解公式。（3）以自底向上计算出最优值（或自顶向下的记忆化方式（即备忘录法））（4）根据计算最优值时得到的信息，构造问题的最优解

2.实战

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可以凑成总金额所需的最少的硬币个数。
如果没有任何一种硬币组合能组成总金额，返回 -1。示例 1:输入: coins = [1, 2, 5], amount = 11
输出: 3
解释: 11 = 5 + 5 + 1
示例 2:输入: coins = [2], amount = 3
输出: -1
说明:
你可以认为每种硬币的数量是无限的。

思路：首先我们根据以上所说的去思考。假如 amount == 11 ，那么它之前的状态可能就是 10，9，6 ，怎么来的呐？很显然就是11-1,11-2,11-5,要让11找的硬币数量最少，那么就是（10，9，6）找的硬币数量最少的那一个，之后继续按照这种思路进行思考。考虑到子问题重叠的情况，我们在实现的过程中对其进行填表。

如何实现：

用待找零的数值k描述子结构/状态，记作MinCoinCount[k]，其值为所需的最小硬币数。对于不同的硬币面值coins[0…n]，有 MinCoinCount[k] = min(MinCoinCount[k-coin[0]] , MinCoinCountk-coin[1]], …)+1。对应于给定数目的找零amount，需要求解MinCoinCount[amount]的值。

通过源代码：

#include<iostream>
#include<vector>
#include<limits.h>
using namespace std;
class Solution {
public:int coinChange(vector<int>& coins, int amount) {vector<int> MinCoinCount(amount+1, INT_MAX-1) ;MinCoinCount[0] = 0 ;//MinCoinCount[k]，(k为零钱数) MinCoinCount[k] 为所需的最小硬币数量for (int i = 1 ; i <= amount   ; ++i){for (int j = 0; j < coins.size() ; ++j ){if ( i - coins[j] >= 0 && MinCoinCount[i - coins[j]]+1  < MinCoinCount[i])MinCoinCount[i] = MinCoinCount[i - coins[j]] + 1 ;}}if (MinCoinCount[amount] == INT_MAX-1  )return -1 ;elsereturn MinCoinCount[amount];}
};

参考文章：

https://blog.csdn.net/roslei/article/details/60867423
建议没事干的时候把这东西看看：^_^
https://www.sohu.com/a/153858619_466939

Leetcode中级算法-动态规划01相关推荐

算法动态规划 01背包问题
01背包问题分析代码实现从前往后拿,递归实现非递归实现非递归实现,自上向下填充允接上一文章内容: 算法动态规划: link. 问题分析按照普通思维,首先想到应该为贪心算法,也就是计算每 ...
Leetcode题解-算法-动态规划
文章目录 1.斐波那契数列 1.1 爬楼梯 1.2 强盗抢劫 1.3 环形街道抢劫 2.矩阵路径 2.1 矩阵的最小的路径和 2.2 矩阵的总路径数 3.数组区间 3.1 数组区间和 3.2 数组中等 ...
算法 - 动态规划(0-1背包问题)
推出公式: 第三个就是:让上一次的和(新加入商品容量+(总空间-新加入的商品容量)也就是剩余空间的最大值,剩余空间的最大值去上一层找) package Algorithm.dac.knapsack;p ...
[leetcode]初级算法——动态规划
爬楼梯 You are climbing a stair case. It takes n steps to reach to the top. Each time you can either cl ...
Leetcode动态规划——01背包问题
内容参考 https://blog.csdn.net/yoer77/article/details/70943462 https://labuladong.github.io/ebook/动态规划系列 ...
vs2017\vs2019 动态规划算法实现0-1背包问题 C
这是针对于博客vs2017安装和使用教程(详细)和vs2019安装和使用教程(详细)的动态规划算法实现0-1背包问题的示例目录一.问题描述
算法学习 - 01背包问题（动态规划C++）
动态规划 01背包问题描述求解思路代码实现放入哪些物品代码动态规划我在上一篇博客里已经讲了一点动态规划了,传送门:算法学习 - 动态规划(DP问题)(C++) 这里说一下,遇到动态规划应 ...
LeetCode《算法入门》刷题笔记（31 题全）
LeetCode<算法入门>刷题笔记(31 题全) 二分查找 1. 二分查找 _解法1:二分搜索(迭代) 解法2:二分搜索(递归) 2. 第一个错误的版本 _解法1:二分 3. 搜索插入位 ...
【Leetcode之算法思想】
Leetcode只算法思想学习CS-Notes的leetcode 提示:小小记录...~ 文章目录 Leetcode只算法思想一.双指针最长序列二.排序数组中出现频率最高的k个数按照字符出 ...

Leetcode中级算法-动态规划01