算法日记 | 动态规划（初级）
🧠 算法界的"偷懒"大师：从斐波那契看懂动态规划
引言：别再傻傻地递归了！
提到动态规划（Dynamic Programming，简称DP），很多初学者的第一反应是："这是什么高大上的数学名词？"、"是不是很难？"
其实，动态规划的核心思想特别接地气，就两个字：记性。
或者更准确地说，它是一种**"通过记住过去来优化未来"**的算法思想。今天，我们就剥去它神秘的外衣，从最经典的斐波那契数列开始，带你入门这个算法界的"偷懒"大师。
🐇 第一章：兔子引发的"血案"------斐波那契数列
说到动态规划，绕不开的老祖宗就是斐波那契数列。
问题描述 ：
有一对兔子，从出生后第3个月起每个月都生一对兔子，小兔子长到第三个月后每个月又生一对兔子... 问第n个月有多少对兔子？
数列长这样：0, 1, 1, 2, 3, 5, 8, 13...
规律很简单：当前的数 = 前两个数之和 。即 F(n)=F(n−1)+F(n−2)F(n) = F(n-1) + F(n-2)F(n)=F(n−1)+F(n−2)。
❌ 暴力递归：健忘的程序员
如果我们用普通的递归写代码，大概是这样的：
python
def fib(n):
if n <= 1: return n
return fib(n-1) + fib(n-2)看起来很美，对吧？但当你算 fib(40) 时，电脑可能会卡成PPT。为什么？因为重复计算太严重了！
要算 fib(5)，你需要算 fib(4) 和 fib(3)；
而要算 fib(4)，你又得重新算一遍 fib(3)...
这就像你每次饿了都要重新学习怎么种水稻，而不是直接去冰箱拿饭吃。时间复杂度高达 O(2n)O(2^n)O(2n)，简直是灾难。
✅ 动态规划：带备忘录的聪明人
动态规划的解法就是：把算过的结果存下来。
这就是著名的**"备忘录模式"（自顶向下）或者"递推表"**（自底向上）。
python
def fib_dp(n):
if n <= 1: return n
# 创建一个数组存结果
dp = * (n + 1)
dp = 1
for i in range(2, n + 1):
# 查表！如果算过直接用，没算过再算
dp[i] = dp[i-1] + dp[i-2]
return dp[n]效果 ：时间复杂度瞬间降为 O(n)O(n)O(n)。以前要算几亿次，现在只要算几十次。这就是动态规划的威力！
🪜 第二章：经典实战------爬楼梯
学会了斐波那契，恭喜你，你已经掌握了动态规划50%的精髓。因为爬楼梯问题本质上就是斐波那契数列的变种！
题目 ：假设你正在爬楼梯。需要 n 阶你才能到达楼顶。每次你可以爬 1 或 2 个台阶。你有多少种不同的方法可以爬到楼顶呢？
💡 思路分析（DP五部曲）
我们套用动态规划的"套路"来解题：
-
定义状态（dp数组的含义） ：
dp[i]表示爬到第i阶楼梯的方法总数。 -
找递推公式（状态转移方程） ：
想爬到第
i阶，只有两种来源：- 从第
i-1阶爬1步上来。 - 从第
i-2阶爬2步上来。
所以公式是：
dp[i] = dp[i-1] + dp[i-2]。（看！是不是一模一样？） - 从第
-
初始化（边界条件）：
dp = 1（只有一种方法：迈一步）dp = 2（两种方法：1+1 或 直接2）
-
遍历顺序 ：
从前往后，从3算到n。
-
举例推导 ：
如果 n=5：1, 2, 3, 5, 8。答案是8。
🚀 代码实现（空间优化版）
既然是老手，我们就不开数组了，只用两个变量滚动更新，把空间复杂度降到 O(1)O(1)O(1)：
python
def climbStairs(n):
if n <= 2: return n
a, b = 1, 2 # a代表dp[i-2], b代表dp[i-1]
for _ in range(3, n + 1):
a, b = b, a + b
return b💰 第三章：进阶挑战------最小花费爬楼梯
如果你觉得上面的太简单，我们来点带"权重"的。
题目 ：给你一个整数数组 cost，其中 cost[i] 是从楼梯第 i 个台阶向上爬需要支付的费用。你可以选择从下标为 0 或 1 的台阶开始。请你计算并返回达到楼梯顶部的最低花费。
💡 思路分析
这次不是求"多少种方法"，而是求"最小代价"。逻辑变了，但框架没变！
-
定义状态 ：
dp[i]表示到达第 i 阶台阶顶部所需的最小花费。 -
找递推公式 ：
要想站在第
i阶，要么是从i-1跳上来的，要么是从i-2跳上来的。我们要选便宜的那个方案！公式：
dp[i] = min(dp[i-1] + cost[i-1], dp[i-2] + cost[i-2])注意：这里加的是
cost[i-1]，因为那是从上一步跳过来的过路费。 -
初始化 ：
题目说可以从0或1开始，意味着起步不花钱（或者说初始花费为0）。
dp = 0
dp = 0
🚀 代码实现
python
def minCostClimbingStairs(cost):
n = len(cost)
dp = * (n + 1)
# 初始化
dp = 0
dp = 0
for i in range(2, n + 1):
# 核心逻辑：取最小值
dp[i] = min(dp[i-1] + cost[i-1], dp[i-2] + cost[i-2])
return dp[n]📝 总结：动态规划其实没那么难
通过这三个例子，我们可以总结出动态规划的**"三板斧"**：
- 别做重复功：如果一个问题可以拆解成重叠的子问题，就用DP。
- 找关系：弄清楚当前状态和上一步状态的关系（递推公式）。
- 定起点：搞清楚初始值是多少。
最后送大家一句话 ：
动态规划就像是人生，当下的成就（dp[i]），往往取决于你之前的积累（dp[i-1]）和你做出的选择（min/max）。只要走好每一步，最优解自然就在终点等你！
希望这篇推文能帮你推开算法世界的大门！如果觉得有用，记得点赞收藏哦！