动态规划：从递归到最优决策的算法艺术

动态规划（Dynamic Programming，简称 DP）并非某种具体的算法，而是一种将复杂问题分解为简单子问题、并通过存储子问题的解来避免重复计算的算法设计思想 。其核心哲学在于用空间换时间，解决那些具有最优子结构 和重叠子问题 特性的难题。不同于贪心算法的局部最优选择，动态规划通过穷举所有可能的决策路径，确保找到全局最优解。

要理解动态规划，不妨从最朴素的递归说起。以经典的斐波那契数列为例，其数学定义为 F(n)=F(n−1)+F(n−2)F(n) = F(n-1) + F(n-2)F(n)=F(n−1)+F(n−2)，其中 F(0)=0,F(1)=1F(0)=0, F(1)=1F(0)=0,F(1)=1。若直接翻译为递归代码，我们会发现计算过程产生了指数级的冗余运算。例如在计算 F(5)F(5)F(5) 时，F(3)F(3)F(3) 被重复计算了多次。这种重叠子问题 现象导致了巨大的性能浪费。动态规划介入的方式便是引入一个数组 dpdpdp 来存储已计算的结果，这被称为"记忆化搜索"。

在正式的文章中，我们通常使用"自底向上"的迭代方式来构建 DP。对于斐波那契数列，我们定义状态 dp $i$ dp $i$ dp $i$ 表示第 iii 个数字的值。状态转移方程为：

dp $i$ =dp $i-1$ +dp $i-2$ dp $i$ = dp $i-1$ + dp $i-2$ dp $i$ =dp $i-1$ +dp $i-2$

通过初始化 dp $0$ dp $0$ dp $0$ 和 dp $1$ dp $1$ dp $1$ ，我们可以线性地推导出后续结果。以下是标准的动态规划实现：

python 复制代码

def fibonacci(n: int) -> int:
    if n <= 1:
        return n
    
    # 定义 dp 数组
    dp = [0] * (n + 1)
    # 初始化边界条件
    dp[0], dp[1] = 0, 1
    
    # 状态转移
    for i in range(2, n + 1):
        dp[i] = dp[i - 1] + dp[i - 2]
    
    return dp[n]

此代码的时间复杂度为 O(n)O(n)O(n)，空间复杂度为 O(n)O(n)O(n)。进一步观察可以发现，dp $i$ dp $i$ dp $i$ 仅依赖于前两个状态，因此我们可以将空间压缩至 O(1)O(1)O(1)：

python 复制代码

def fibonacci_optimized(n: int) -> int:
    if n <= 1:
        return n
    prev, curr = 0, 1
    for _ in range(2, n + 1):
        prev, curr = curr, prev + curr
    return curr

动态规划的难点在于状态定义与转移方程的设计。以0-1 背包问题 为例，这是动态规划中的里程碑式问题。问题描述如下：给定 nnn 个物品，每个物品重量为 wiw_iwi，价值为 viv_ivi，以及一个容量为 WWW 的背包。求在不超过容量限制的前提下，背包能装下的物品最大总价值。

我们定义二维状态 dp $i$ $j$ dp $i$ $j$ dp $i$ $j$ ，表示前 iii 个物品放入容量为 jjj 的背包中所能获得的最大价值 。对于每个物品，我们有两种选择：放或不放。如果不放，则 dp $i$ $j$ =dp $i-1$ $j$ dp $i$ $j$ = dp $i-1$ $j$ dp $i$ $j$ =dp $i-1$ $j$ ；如果放（前提是 j≥wij \ge w_ij≥wi），则 dp $i$ $j$ =dp $i-1$ $j-wi$ +vidp $i$ $j$ = dp $i-1$ $j-w_i$ + v_idp $i$ $j$ =dp $i-1$ $j-wi$ +vi。综合二者，状态转移方程为：

dp $i$ $j$ =max⁡(dp $i-1$ $j$ ,dp $i-1$ $j-wi$ +vi) dp $i$ $j$ = \max(dp $i-1$ $j$ , dp $i-1$ $j-w_i$ + v_i) dp $i$ $j$ =max(dp $i-1$ $j$ ,dp $i-1$ $j-wi$ +vi)

完整的代码如下：

python 复制代码

def knapsack_01(W, weights, values):
    n = len(weights)
    # dp[i][j] 表示前 i 个物品，容量为 j 的最大价值
    dp = [[0] * (W + 1) for _ in range(n + 1)]
    
    for i in range(1, n + 1):
        for j in range(W + 1):
            # 不拿第 i 个物品
            dp[i][j] = dp[i-1][j]
            # 尝试拿第 i 个物品
            if j >= weights[i-1]:
                dp[i][j] = max(dp[i][j], dp[i-1][j-weights[i-1]] + values[i-1])
    
    return dp[n][W]

同样，该问题也可以进行空间优化。由于 dp $i$ dp $i$ dp $i$ 只依赖于 dp $i-1$ dp $i-1$ dp $i-1$ ，我们可以使用一维数组并从后往前遍历容量 jjj，以避免数据覆盖。

除了背包问题，动态规划还广泛应用于字符串处理（如最长公共子序列 ，LCS）、区间决策（如石子合并 ）以及树形结构（树形 DP ）。掌握动态规划的关键在于"勤画表"，通过在草稿纸上模拟 dpdpdp 数组的填充过程，往往能直观地发现状态之间的联系。

总而言之，动态规划不是一蹴而就的技巧，而是对问题本质的深度剖析。它要求我们明确"什么是状态"以及"状态如何流转"。当你面对一个问题时，若能将其抽象为一个多阶段的决策过程，并证明其满足无后效性，那么动态规划很可能就是你手中的利刃。