动态规划

动态规划就像是解决问题的一种策略，它可以帮助我们更高效地找到问题的解决方案。这个策略的核心思想就是将问题分解为一系列的小问题，并将每个小问题的解保存起来。这样，当我们需要解决原始问题的时候，我们就可以直接利用已经计算好的小问题的解，而不需要重复计算。

动态规划与数学归纳法思想上十分相似。

数学归纳法：

1. 基础步骤（base case）：首先证明命题在最小的基础情况下成立。通常这是一个较简单的情况，可以直接验证命题是否成立。

2. 归纳步骤（inductive step）：假设命题在某个情况下成立，然后证明在下一个情况下也成立。这个证明可以通过推理推断出结论或使用一些已知的规律来得到。

通过反复迭代归纳步骤，我们可以推导出命题在所有情况下成立的结论。

动态规划：

1. 状态表示：

2. 状态转移方程：

3. 初始化：

4. 填表顺序：

5. 返回值：

数学归纳法的基础步骤相当于动态规划中初始化步骤。

数学归纳法的归纳步骤相当于动态规划中推导状态转移方程。

动态规划的思想和数学归纳法思想类似。

在动态规划中，首先得到状态在最小的基础情况下的值，然后通过状态转移方程，得到下一个状态的值，反复迭代，最终得到我们期望的状态下的值。

接下来我们通过三道例题，深入理解动态规划思想，以及实现动态规划的具体步骤。

DP41 【模板】01背包

题目解析

第一问

状态表示

状态表示通常由经验+题目要求得的。

我们最容易想到的状态表示是，定义dp[i]表示从前i个物品中挑选，背包所能达到的最大价值。

动态规划最重要的是希望能够推导出一个递推式，使得我们从一个很小的，很容易得到的基础解，带入递推式，反复推导，最后得到我们希望得到的答案。所以我们很容易想到，根据从前i个物品中挑选，挑选物品的数量，构成我们的每一项，希望能够推导出递推式。

如果我们要推导dp[i]，我们找不到前面状态和i位置状态的关系，我们知道的信息是前面位置状态的值，状态值表示所能达到的最大价值，但是我不知道达到最大价值时，背包的容量，所以我就没办法考虑是否选择第i个物品放入背包，或者不放入背包，如果我们此时还知道对应的背包容量，如果还有位置，我们就可以选择把第i个物品放进去，这样似乎可以推导出状态转移方程。所以此时我们还需要表示一个状态，就是此时背包内物品占用的空间是多大。

因此我们可以定义，f[i]表示从前i个物品中挑选，背包所能达到的最大价值。g[i]表示从从前i个物品中挑选，背包所能达到的最大价值时，背包占用的体积。

尝试推导状态转移方程，

1. 如果把第i个物品放入背包， 此时g[i-1]+v[i]<=V ， 此时从前i个物品挑选，所能达到的最大价值，等价于从前i-1个物品挑选，所能达到的最大价值加上第i个物品的价值，即在f[i]的基础上，把第i个物品放入背包，此时f[i]=f[i-1]+w[i]，g[i]=g[i-1]+v[i]。

2. 如果不把第i个物品放入背包， 此时g[i-1]+v[i]>V， 此时f[i]=f[i-1],g[i]=g[i-1]，这样写是对的吗？乍一看好像没什么问题，但这样不对，有可能从前i-1个物品中挑选，达到的价值不是最大，而是第二大，此时的体积再加上第i个位置的物品的体积比背包总体积小，但是两者价值加起来比f[i-1]大，这种情况f[i]!=f[i-1]。也就是我们还需要遍历前面所有状态，看看是不是（g[j]+v[i]<=V）这种情况，如果是，记录一下f[j]的值，找到最大的f[j]值，然后和f[i-1]比较，选大的值。这样状态转移方程的推导就变得十分麻烦，我们希望改变状态表示，使得状态转移方程能够正常推导，并且简便。

改进，

上面遇到的问题是，我们不知道，从前i-1物品挑选，价值和第二大的体积花费，价值和第三大的体积花费......如果知道这些状态，我们就可以直接用。

我们需要的状态是上面的体积花费，因此我们可以以体积为划分，定义dp[i][j]表示从前i个物品中挑选，总体积不超过j，所有选法中，所能达到的最大价值。

这样我们就使得原先只能存储最大价值的体积g，转变为可以存储不同体积花费的二维dp。

综上所述，状态表示为,定义dp[i][j]表示从前i个物品中挑选，总体积不超过j，所有选法中，所能达到的最大价值。

状态转移方程

1. 如果把第i个物品放入背包， dp[i][j]表示从前i个物品中挑选，总体积不超过j，所有选法中，所能达到的最大价值。此时剩下的体积最多是j-v[i]。

   1. j-v[i]<0， 此时没办法把第i个物品放入背包，此时dp[i][j]=0。

   2. j-v[i]=0， 此时把第i个物品放入背包，背包放不下东西了，此时dp[i][j]=w[i]。

   3. j-v[i]>0， 此时把第i个物品放入背包，背包还能放j-v[i]体积的物品，此时dp[i][j]=dp[i-1][j-v[i]]+w[i]。

2. 如果不把第i个物品放入背包， 此时背包还能放j体积的物品，从前i-1物品中挑选，dp[i][j]=dp[i-1][j]，

当j-v[i]=0时，dp[i-1][0]=0，此时dp[i][j]=dp[i-1][j-v[i]]+w[i]。

将上述情况合并和简化，得到状态转移方程为，

    dp[i][j] = dp[i - 1][j];if (j >= v[i])dp[i][j] = max(dp[i][j], dp[i - 1][j - v[i]] + w[i]);

初始化

通过状态转移方程，我们我们知道在推导（i，j）位置的状态时，需要用到（i-1，j）（i-1，j-v[i])的位置的状态，j-v[i]一定不会越界，可能越界的是i-1，而我们状态表示为定义dp[i][j]表示从前i个物品中挑选，总体积不超过j，所有选法中，所能达到的最大价值。所以我们本质上多添加了一列。我们只需要初始第一行即可。

i=0表示不选物品，所以价值都为0，第一行全部初始化为0。

填表顺序

通过状态转移方程，我们我们知道在推导（i，j）位置的状态时，需要用到（i-1，j）（i-1，j-v[i])的位置的状态，j-v[i]一定不会越界。

1. 固定i改变j， i的变化需要从小到大，j的变化可以从小到大也可以从大到小。

2. 固定j改变i， j的变化需要从小到大，因为要用到（i-1，j）位置的状态，所以i的变化也需要从小到大。

返回值

状态表示为定义dp[i][j]表示从前i个物品中挑选，总体积不超过j，所有选法中，所能达到的最大价值。

结合题目意思，需要打印dp[n][V]。

这样我们就解决了第一问。

---

第二问

状态表示

第二问需要求恰好体积为V时，背包所能达到的最大价值。

在第一问的基础上，我们很容易定义这样一个状态表示，定义dp[i][j]表示从前i个物品中挑选，总体积恰好为j，所有选法中所能达到的最大价值。

状态转移方程

1. 如果把第i个物品放入背包， dp[i][j]表示从前i个物品中挑选，总体积恰好为j，所有选法中所能达到的最大价值。此时剩下的体积恰好是j-v[i]。

   1. j-v[i]<0， 此时没办法把第i个物品放入背包，此时dp[i][j]=0。

   2. j-v[i]=0， 此时把第i个物品放入背包，背包放不下东西了，此时dp[i][j]=w[i]。

   3. j-v[i]>0， 此时把第i个物品放入背包，背包还需要放j-v[i]体积的物品，此时dp[i][j]=dp[i-1][j-v[i]]+w[i]。我这样写对吗？此时背包必须放j-v[i]体积的物品，如果前j-1物品挑选不能满足体积为j-v[i]的情况，此时dp[i][j]=0。如果写成上面的式子，dp[i][j]=w[i]。因此我们还需要分类讨论。

      1. 如果前j-1物品挑选不能满足体积为j-v[i]的情况， 此时dp[i][j]=0。

      2. 如果前j-1物品挑选能满足体积为j-v[i]的情况， 此时dp[i][j]=d[i-1][j-v[i]]+w[i]。

2. 如果不把第i个物品放入背包， 此时背包还需要放j体积的物品，从前i-1物品中挑选，dp[i][j]=dp[i-1][j]。

当j-v[i]=0时，dp[i-1][0]=0，此时dp[i][j]=dp[i-1][j-v[i]]+w[i]。

将上述情况进行合并和简化，得到状态转移方程，

        dp[i][j] = dp[i - 1][j];if (j >= v[i] && dp[i - 1][j - v[i]] != -1)dp[i][j] = max(dp[i][j], dp[i - 1][j - v[i]] + w[i]);

用-1表示前j-1物品挑选不能满足体积为j-v[i]的情况。

初始化

通过状态转移方程，我们我们知道在推导（i，j）位置的状态时，需要用到（i-1，j）（i-1，j-v[i])的位置的状态，j-v[i]一定不会越界，可能越界的是i-1，而我们状态表示为定义dp[i][j]表示从前i个物品中挑选，总体积不超过j，所有选法中，所能达到的最大价值。所以我们本质上多添加了一列。我们只需要初始第一行即可。

i=0，表示不选择物品，最大价值为0，所以（0,0）为0，其他位置为-1，表示达不到恰好体积为j的情况。

    for (int j = 1; j <= V; j++) dp[0][j] = -1;

填表顺序

通过状态转移方程，我们我们知道在推导（i，j）位置的状态时，需要用到（i-1，j）（i-1，j-v[i])的位置的状态，j-v[i]一定不会越界。

1. 固定i改变j， i的变化需要从小到大，j的变化可以从小到大也可以从大到小。

2. 固定j改变i， j的变化需要从小到大，因为要用到（i-1，j）位置的状态，所以i的变化也需要从小到大。

返回值

状态表示为定义dp[i][j]表示从前i个物品中挑选，总体积不超过j，所有选法中，所能达到的最大价值。

结合题目意思，需要打印dp[n][V]。此时需要判断dp[n][V]是否==-1，等于-1表示不存在，无解返回0，如果不为-1，返回dp[n][V]。

代码实现

#include <iostream>
#include <string.h>using namespace std;const int N = 1010;int n, V, v[N], w[N];
int dp[N][N];int main() {cin >> n >> V;for (int i = 1; i <= n; i++)cin >> v[i] >> w[i];for (int i = 1; i <= n; i++)for (int j = 0; j <= V; j++) { dp[i][j] = dp[i - 1][j];if (j >= v[i])dp[i][j] = max(dp[i][j], dp[i - 1][j - v[i]] + w[i]);}cout << dp[n][V] << endl;//第二问memset(dp, 0, sizeof dp);for (int j = 1; j <= V; j++) dp[0][j] = -1;for (int i = 1; i <= n; i++)for (int j = 0; j <= V; j++) { dp[i][j] = dp[i - 1][j];if (j >= v[i] && dp[i - 1][j - v[i]] != -1)dp[i][j] = max(dp[i][j], dp[i - 1][j - v[i]] + w[i]);}cout << (dp[n][V] == -1 ? 0 : dp[n][V]) << endl;return 0;
}

416. 分割等和子集 - 力扣（LeetCode）

题目解析

状态表示

01背包问题本质是从一些物品中选物品，本质上是有关组合的问题，而本题目也是在一些数中挑选出一些数，因为我们可以以01背包为模版，定义状态表示。

01背包问题的状态表示为，

定义dp[i][j]表示从前i个物品中挑选，总体积不超过j，所有选法中，所能达到的最大价值。

定义dp[i][j]表示从前i个物品中挑选，总体积为j，所有选法中，所能达到的最大价值。

因此我们可以定义dp[i][j]表示能否从nums[0,i]区间中挑选元素，使总数字和为j。

状态转移方程

状态转移方程的推导是以最后一个位置的状况进行分类讨论。

1. 如果挑选i位置的元素，

   1. 如果j-nums[i]<0, 此时表示i位置元素比j还要大，此时dp[i][j]=false;

   2. 如果j-nums[i] =0, 此时dp[i][j]=true；

   3. 如果j-nums[i]>0, 此时dp[i][j]=dp[i-1][j-nums[i]];

2. 如果不挑选i位置的元素， 此时dp[i][j]=dp[i-1][j];

将上述情况进行合并和简化，得到状态转移方程，

        dp[i][j] = dp[i - 1][j];if (j > nums[i])dp[i][j] = dp[i][j] || dp[i - 1][j - nums[i]];else if(j == nums[i]) dp[i][j] = true;

初始化

根据状态转移方程，我们知道，在推导（i，j）位置的状态时，需要用到（i-1，j）（i-1，j-nums[i])位置的状态。

所以我们需要初始化第一行位置的状态，在推导蓝色部分位置状态的时候没有前驱，所以需要初始化这些位置的状态值。使用（i-1，j-nums[i]）状态时，j-nums[i]一定不会越界。所以只需要考虑（i-1，j）

状态表示，定义dp[i][j]表示能否从nums[0,i]区间中挑选元素，使总数字和为j。

i==0，表示从只选择挑选或者不挑选第一个元素，能否使数字和为j。如果nums[0]==j，或者j==0，此时dp[i][j]=true。

故初始化为，

        for (int j = 0; j < n; j++)if(nums[0] == j || j == 0) dp[0][j] = true;

填表顺序

根据状态转移方程，我们知道，在推导（i，j）位置的状态时，需要用到（i-1，j）（i-1，j-nums[i])位置的状态。使用（i-1，j-nums[i]）状态时，j-nums[i]一定不会越界。所以只需要考虑（i-1，j）

1. 固定i改变j， i的变化，需要从小到大，j的变化可以从小到大也可以从大到小。

2. 固定j改变i， j的变化可以从小到大也可以从大到小，i的变化需要从小到大。

返回值

状态表示，定义dp[i][j]表示能否从nums[0,i]区间中挑选元素，使总数字和为j。

结合题目意思，我们需要在nums[0,n-1]区间挑选元素，使总数字和为所有元素数字和的一半。

所以我们可以用aim表示所有元素数字和的一半，

因此需要返回dp[n-1][aim]；

代码实现

class Solution {
public:bool canPartition(vector<int>& nums) {int n = nums.size(), sum = 0;for (auto x : nums)sum += x;if (sum % 2)return false; // 如果不能平分，直接返回 falseint aim = sum / 2;vector<vector<bool>> dp(n, vector<bool>(aim + 1));for (int j = 0; j < n; j++)if(nums[0] == j || j==0) dp[0][j] = true;for (int i = 1; i < n; i++)for (int j = 0; j <= aim; j++) {dp[i][j] = dp[i - 1][j];if (j > nums[i])dp[i][j] = dp[i][j] || dp[i - 1][j - nums[i]];else if (j == nums[i])dp[i][j] = true;}return dp[n - 1][aim];}
};

494. 目标和 - 力扣（LeetCode）

题目解析

状态表示

01背包问题本质是从一些物品中选物品，本质上是有关组合的问题，而本题目也是在一些数中挑选出一些数，因为我们可以以01背包为模版，定义状态表示。

01背包问题的状态表示为，

定义dp[i][j]表示从前i个物品中挑选，总体积不超过j，所有选法中，所能达到的最大价值。

定义dp[i][j]表示从前i个物品中挑选，总体积为j，所有选法中，所能达到的最大价值。

因此我们可以定义dp[i][j]表示从nums[0,i]区间中挑选元素，使总数字和为j，一共有多少种选法。

状态转移方程

状态转移方程的推导是以最后一个位置的状况进行分类讨论。

dp[i][j]表示从nums[0,i]区间中挑选元素，使总数字和为j，一共有多少种选法。

1. 如果挑选i位置的元素，

   1. 如果j-nums[i]<0, 此时表示i位置元素比j还要大，此时dp[i][j]=0;

   2. 如果j-nums[i] =0, 此时表示挑选i位置元素后，数字和就为j了，此时还需要考虑数字和为0的挑选种类次数，所以此时dp[i][j]=dp[i-1][j-nums[i-1]]；

   3. 如果j-nums[i]>0, dp[i-1][j-nums[i]]表示从nums[0,i-1]区间中挑选元素，使总数字和为j-nums[i]，一共有多少种选法。这些选法的每一种选法中，都加上i位置的元素，选法数不变，但是这些选法使得数字和都为j。 此时dp[i][j]=dp[i-1][j-nums[i]];

2. 如果不挑选i位置的元素， 此时dp[i][j]=dp[i-1][j];

将上述情况进行合并和简化，得到状态转移方程，

                dp[i][j] = dp[i - 1][j];if (j >= nums[i])dp[i][j] += dp[i - 1][j - nums[i]];

初始化

根据状态转移方程，我们知道，在推导（i，j）位置的状态时，需要用到（i-1，j）（i-1，j-nums[i]）位置的状态，而只有j>nums[i]的时候才会用到（i-1，j-nums[i]）位置的状态，所以我们只需要考虑（i-1，j）。

所以我们需要初始化第一行位置的状态，在推导蓝色部分位置状态的时候没有前驱，所以需要初始化这些位置的状态值。

我们可以添加虚拟节点，即多添加一行和一列，使这些虚拟节点成为蓝色位置的前驱，这样就不用初始化蓝色位置的值，而变为初始化虚拟节点即可。

这样做的好处是，虚拟结点的初始化可能比蓝色部分位置状态的初始化要简便许多。

添加虚拟结点后，状态表示和状态转移方程会发生改变，即，

dp[i][j]表示从nums[0,i-1]区间中挑选元素，使总数字和为j，一共有多少种选法。

                dp[i][j] = dp[i - 1][j];if (j >= nums[i - 1])dp[i][j] += dp[i - 1][j - nums[i - 1]];

添加虚拟节点后，有两点注意事项，

1. 初始化虚拟节点，必须保证推导后续位置的状态的正确性。

2. 下标的映射关系。

初始化虚拟节点：

我们根据状态表示，dp[i][j]表示从nums[0,i-1]区间中挑选元素，使总数字和为j，一共有多少种选法。我们同时可以根据状态表示赋予第一行意义，表示不选元素时的情况。

接下来初始化绿色位置的状态。

此时表示不选择元素，此时（0,0）位置dp[0][0]=1,其他位置为0。

下标映射关系：

1. 此时，dp[i][j]表示从nums[0,i-1]区间中挑选元素，使总数字和为j，一共有多少种选法。 dp中i对应nums的i-1。

2. 如果在nums前面添加一个占位符，就可以使得dp中i，j继续映射nums1，nums2中i，j。

我们这里选择第一种解决办法。

得到初始化，

        dp[0][0] = 1;  

填表顺序

根据状态转移方程，我们知道，在推导（i，j）位置的状态时，需要用到（i-1，j）（i-1，j-nums[i])位置的状态。使用（i-1，j-nums[i]）状态时，j-nums[i]一定不会越界。所以只需要考虑（i-1，j）

1. 固定i改变j， i的变化，需要从小到大，j的变化可以从小到大也可以从大到小。

2. 固定j改变i， j的变化可以从小到大也可以从大到小，i的变化需要从小到大。

返回值

dp[i][j]表示从nums[0,i-1]区间中挑选元素，使总数字和为j，一共有多少种选法。

结合题目意思，我们需要在nums[0,n-1]区间挑选元素，使总数字和为所有元素数字和的一半。

所以我们可以用aim表示所有元素数字和的一半，

因此需要返回dp[n][aim]；

代码实现

class Solution {
public:int findTargetSumWays(vector<int>& nums, int target) {int sum = 0;for (auto x : nums)sum += x;int aim = (sum + target) / 2;if (aim < 0 || (sum + target) % 2)return 0;int n = nums.size();vector<vector<int>> dp(n + 1, vector<int>(aim + 1)); // 建表dp[0][0] = 1;                                        // 初始化for (int i = 1; i <= n; i++)                         // 填表for (int j = 0; j <= aim; j++) {dp[i][j] = dp[i - 1][j];if (j >= nums[i - 1])dp[i][j] += dp[i - 1][j - nums[i - 1]];}// 返回结果return dp[n][aim];}
};

结尾

今天我们学习了动态规划的思想，动态规划思想和数学归纳法思想有一些类似，动态规划在模拟数学归纳法的过程，已知一个最简单的基础解，通过得到前项与后项的推导关系，由这个最简单的基础解，我们可以一步一步推导出我们希望得到的那个解，把我们得到的解依次存放在dp数组中，dp数组中对应的状态，就像是数列里面的每一项。最后感谢您阅读我的文章，对于动态规划系列，我会一直更新，如果您觉得内容有帮助，可以点赞加关注，以快速阅读最新文章。

最后，感谢您阅读我的文章，希望这些内容能够对您有所启发和帮助。如果您有任何问题或想要分享您的观点，请随时在评论区留言。

同时，不要忘记订阅我的博客以获取更多有趣的内容。在未来的文章中，我将继续探讨这个话题的不同方面，为您呈现更多深度和见解。

谢谢您的支持，期待与您在下一篇文章中再次相遇！