LeetCode动态规划的解题思路

动态规划

动态规划，其实就是找规律，总结公式/方程。
动态规划，类似于数学归纳法。
关键的思想在「自底向上」和「空间换时间」。
动态规划，可以使用一维数组，有时也会用到二维数组。

应用场景

“动态规划”可以用于子序列、最大/小值问题、回文子串的求解。

一维数组dp[i] 的动态规划的几个步骤：

确定数组dp[i]的下标i以及dp[i]值的含义，比如经典的LeetCode70爬楼梯，爬到第i层楼梯，有dp[i]种方法；
确定动态规划的状态转移方程（递推公式）。比如，爬楼梯的公式：dp[i] = dp[i-1] + dp[i-2];
dp数组的初始化：初始化值，dp[0]的值是多少 , dp[1]的值又是多少;
确定遍历顺序：分析递推顺序应该是从前往后，还是从后往前。还有就是，要从哪一个下标开始遍历；

LeetCode70. 爬楼梯

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？

public int climbStairs(int n) {if (n <= 0) {return 0;}//dp数组的初始化//爬到第i层楼梯，有dp[i]种方法；int[] dp = new int[n + 2];//dp数组的初始化dp[0] = 0;dp[1] = 1;dp[2] = 2;for (int i = 3; i <= n; i++) {//确定动态规划的状态转移方程（递推公式）dp[i] = dp[i - 1] + dp[i - 2];}return dp[n];
}

LeetCode53. 最大子数组和

给你一个整数数组 nums ，请你找出一个具有最大和的连续子数组（子数组最少包含一个元素），返回其最大和。
子数组是数组中的一个连续部分。

示例 1：
输入：nums = [-2,1,-3,4,-1,2,1,-5,4]
输出：6
解释：连续子数组 [4,-1,2,1] 的和最大，为 6 。

class Solution {public int maxSubArray(int[] nums) {int length=nums.length;int[] dp=new int[length];//初始值dp[0]=nums[0];int maxSum=nums[0];for(int i=1;i<length;i++) {//dp[i]表示以第 i 个数结尾的「连续子数组的最大和」//由于子数组是以nums[i]结尾，//如果dp[i-1]是正数，那么dp[i]最大值是dp[i-1]+nums[i]//如果dp[i-1]是负数，那么dp[i]最大值是nums[i]//状态转移方程如下：dp[i]=Math.max(dp[i-1]+nums[i],nums[i]);//找出不同的数组元素结尾的最大值。maxSum=Math.max(dp[i],maxSum);}return maxSum;}
}

用二维数组的动态规划：

二维数组的动态规划，跟一维数组的动态规划，基本是一样的。

设定状态。
二维 dp 问题，可以使用二维数组 dp[i][j]，第一维的下标i可以表示A事物的状态，第二维的下标j可以表示B事物的状态。
比如LeetCode122的买卖股票，题中有两个状态，一个是天数，一个是是否持有股票，
定义dp[i][0]表示第 i天交易完后手里没有股票的最大利润，
dp[i][1] 表示第 i天交易完后手里持有一支股票的最大利润。
思考状态转移方程(也就是公式)。
找规律，找出 dp[i][j]是怎么由dp[i-1][j]、 dp[i-1][j-1] 推导得到的
考虑初始值。
也就是 dp[0][0] 、 dp[0][1] 之类的初始值。
考虑输出。
求出 dp[len - 1][j] (也可能是其他的如dp[len - 1][j]) 的值。

二维数组动态规划：122. 买卖股票的最佳时机 II

给你一个整数数组 prices ，其中 prices[i] 表示某支股票第 i 天的价格。

在每一天，你可以决定是否购买和/或出售股票。你在任何时候最多只能持有一股股票。你也可以先购买，然后在同一天出售。

返回你能获得的最大利润。

链接： https://leetcode.cn/problems/best-time-to-buy-and-sell-stock-ii/

解答：定义状态 dp[i][0] 表示第 i 天交易完后手里没有股票的最大利润，dp[i][1] 表示第 i 天交易完后手里持有一支股票的最大利润（i 从 0 开始）。

考虑 dp[i][0] 的转移方程，如果这一天交易完后手里没有股票，那么可能的转移状态为前一天已经没有股票，即 dp[i−1][0]，或者前一天结束的时候手里持有一支股票，即 dp[i−1][1]，这时候我们要将其卖出，并获得 prices[i]的收益。
dp[i][0]=max{dp[i−1][0],dp[i−1][1]+prices[i]}

对于dp[i][1]，按照同样的方式考虑转移状态，那么可能的转移状态为前一天已经持有一支股票，即 dp[i−1][1]，或者前一天结束时还没有股票，即 dp[i−1][0]，这时候我们要将其买入，并减少 prices[i] 的收益。可以列出如下的转移方程：
dp[i][1]=max⁡{dp[i−1][1],dp[i−1][0]−prices[i]}

    public int maxProfit(int[] prices) {if (prices==null) {return 0;}int length = prices.length;//定义状态 dp[i][0]  表示第 i 天交易完后手里没有股票的最大利润，//dp[i][1] 表示第 i 天交易完后手里持有一支股票的最大利润（i 从 0 开始）。int[][] dp = new int[length][2];dp[0][0]=0;dp[0][1]=-prices[0];for (int i=1;i<length;i++) {dp[i][0] =  Math.max (dp[i-1][0], dp[i-1][1]+prices[i]);dp[i][1] =  Math.max (dp[i-1][1], dp[i-1][0]-prices[i]);}return dp[length-1][0];}