动态规划（DP）从入门到精通：原理详解与经典问题解析

动态规划（DP）从入门到精通：原理详解与经典问题解析

1. 引言

动态规划（Dynamic Programming，简称DP）是算法设计与优化中的一种重要方法，广泛应用于计算机科学、人工智能、运筹学等领域。许多经典问题，如背包问题、最短路径问题、编辑距离等，都可以通过动态规划高效解决。

本文将系统介绍动态规划的核心思想、解题步骤，并通过多个经典案例（附Java代码实现）帮助读者掌握动态规划的解题技巧。

---

2. 动态规划的核心思想

动态规划适用于具有以下两个性质的问题：

1. 重叠子问题（Overlapping Subproblems）

   问题可以被分解为多个相似的子问题，且子问题会被重复计算。
   示例 ：斐波那契数列 F(n) = F(n-1) + F(n-2)，其中 F(3) 可能被 F(4) 和 F(5) 多次计算。

2. 最优子结构（Optimal Substructure）

   问题的最优解可以由其子问题的最优解推导而来。
   示例：最短路径问题中，A→C 的最短路径 = A→B 的最短路径 + B→C 的最短路径。

动态规划通过**记忆化存储（Memoization）或填表法（Tabulation）**避免重复计算，提高效率。

---

3. 动态规划的解题步骤

步骤1：定义状态

• 明确 dp[i] 或 dp[i][j] 表示的含义。
• 示例 ：在斐波那契数列中，dp[i] 表示第 i 个斐波那契数。

步骤2：状态转移方程

• 找出 dp[i] 与 dp[i-1]、dp[i-2] 等子问题的关系。
• 示例 ：dp[i] = dp[i-1] + dp[i-2]（斐波那契数列）。

步骤3：初始化

• 设置初始条件，如 dp[0] 和 dp[1] 的值。
• 示例 ：dp[0] = 0, dp[1] = 1（斐波那契数列）。

步骤4：计算顺序

• 确定填表顺序（通常自底向上）。
• 示例 ：计算 dp[2] → dp[3] → ... → dp[n]。

步骤5：返回结果

• 从 dp 表中提取最终答案。
• 示例 ：return dp[n]（斐波那契数列）。

---

4. 经典动态规划问题

问题1：斐波那契数列（LeetCode 509）

问题描述 ：计算第 n 个斐波那契数（F(0)=0, F(1)=1, F(n)=F(n-1)+F(n-2)）。

Java实现

public int fib(int n) {
    if (n <= 1) return n;
    int[] dp = new int[n + 1];
    dp[0] = 0;
    dp[1] = 1;
    for (int i = 2; i <= n; i++) {
        dp[i] = dp[i - 1] + dp[i - 2];
    }
    return dp[n];
}

// 空间优化版（O(1)空间）
public int fibOptimized(int n) {
    if (n <= 1) return n;
    int prev1 = 1, prev2 = 0;
    for (int i = 2; i <= n; i++) {
        int curr = prev1 + prev2;
        prev2 = prev1;
        prev1 = curr;
    }
    return prev1;
}

---

问题2：爬楼梯（LeetCode 70）

问题描述 ：每次可以爬1或2阶台阶，求爬到第 n 阶有多少种方法。

状态转移方程

dp[i] = dp[i-1] + dp[i-2]（类似斐波那契数列）

Java实现

public int climbStairs(int n) {
    if (n <= 2) return n;
    int[] dp = new int[n + 1];
    dp[1] = 1;
    dp[2] = 2;
    for (int i = 3; i <= n; i++) {
        dp[i] = dp[i - 1] + dp[i - 2];
    }
    return dp[n];
}

// 空间优化版
public int climbStairsOptimized(int n) {
    if (n <= 2) return n;
    int prev1 = 2, prev2 = 1;
    for (int i = 3; i <= n; i++) {
        int curr = prev1 + prev2;
        prev2 = prev1;
        prev1 = curr;
    }
    return prev1;
}

---

问题3：0-1背包问题

问题描述 ：给定物品重量 weights 和价值 values，背包容量 W，求能装入的最大价值（每个物品只能选或不选）。

状态转移方程

dp[i][w] = max(dp[i-1][w], values[i] + dp[i-1][w - weights[i]])

Java实现

public int knapsack(int W, int[] weights, int[] values) {
    int n = weights.length;
    int[][] dp = new int[n + 1][W + 1];
    
    for (int i = 1; i <= n; i++) {
        for (int w = 1; w <= W; w++) {
            if (weights[i - 1] <= w) {
                dp[i][w] = Math.max(
                    dp[i - 1][w], 
                    values[i - 1] + dp[i - 1][w - weights[i - 1]]
                );
            } else {
                dp[i][w] = dp[i - 1][w];
            }
        }
    }
    return dp[n][W];
}

// 空间优化版（一维数组）
public int knapsackOptimized(int W, int[] weights, int[] values) {
    int[] dp = new int[W + 1];
    
    for (int i = 0; i < weights.length; i++) {
        for (int w = W; w >= weights[i]; w--) {
            dp[w] = Math.max(dp[w], values[i] + dp[w - weights[i]]);
        }
    }
    return dp[W];
}

---

5. 动态规划的优化技巧

1. 空间优化

   • 很多二维DP可以优化为一维（如背包问题）。

2. 状态压缩

   • 用位运算表示状态（如旅行商问题TSP）。

3. 记忆化搜索（Memoization）

   • 自顶向下递归+缓存，避免重复计算。

4. 滚动数组

   • 只保留必要的状态（如斐波那契数列只需 prev1 和 prev2）。

---

6. 总结

动态规划是算法竞赛和面试中的高频考点，掌握其核心思想和经典问题解法至关重要。建议：

1. 从简单问题入手（斐波那契、爬楼梯）。
2. 理解状态转移方程的推导过程。
3. 多练习LeetCode上的DP专题（如LIS、编辑距离、股票买卖问题）。
4. 尝试优化空间复杂度。

希望本文能帮助你系统掌握动态规划！欢迎在评论区交流讨论。🚀