看動畫輕鬆理解“遞迴”與“動態規劃”
作者 | 程式設計師小吳
來源 | 五分鐘學演算法
在學習「資料結構和演算法」的過程中，因為人習慣了平鋪直敘的思維方式，所以「遞迴」與「動態規劃」這種帶迴圈概念（繞來繞去）的往往是相對比較難以理解的兩個抽象知識點。
程式設計師小吳打算使用動畫的形式來幫助理解「遞迴」，然後通過「遞迴」的概念延伸至理解「動態規劃」演算法思想。
什麼是遞迴
先下定義：遞迴演算法是一種直接或者間接呼叫自身函式或者方法的演算法。
通俗來說，遞迴演算法的實質是把問題分解成規模縮小的同類問題的子問題，然後遞迴呼叫方法來表示問題的解。它有如下特點：
一個問題的解可以分解為幾個子問題的解
這個問題與分解之後的子問題，除了資料規模不同，求解思路完全一樣
存在遞迴終止條件，即必須有一個明確的遞迴結束條件，稱之為遞迴出口
遞迴動畫
通過動畫一個一個特點來進行分析。
1.一個問題的解可以分解為幾個子問題的解
子問題就是相對與其前面的問題資料規模更小的問題。
在動圖中①號問題（一塊大區域）劃分為②號問題，②號問題由兩個子問題（兩塊中區域）組成。
2. 這個問題與分解之後的子問題，除了資料規模不同，求解思路完全一樣
「①號劃分為②號」與「②號劃分為③號」的邏輯是一致的，求解思路是一樣的。
3. 存在遞迴終止條件，即存在遞迴出口
把問題分解為子問題，把子問題再分解為子子問題，一層一層分解下去，不能存在無限迴圈，這就需要有終止條件。
①號劃分為②號，②號劃分為③號，③號劃分為④號，劃分到④號的時候每個區域只有一個不能劃分的問題，這就表明存在遞迴終止條件。
從遞迴的經典示例開始
一、陣列求和
陣列求和
11Sum(arr[0...n-1]) = arr[0] + Sum(arr[1...n-1])
後面的 Sum 函式要解決的就是比前一個 Sum 更小的同一問題。
11Sum(arr[1...n-1]) = arr[1] + Sum(arr[2...n-1])
以此類推，直到對一個空陣列求和，空陣列和為 0 ，此時變成了最基本的問題。
11Sum(arr[n-1...n-1] ) = arr[n-1] + Sum([])
二、漢諾塔問題
漢諾塔（Hanoi Tower）問題也是一個經典的遞迴問題，該問題描述如下：
漢諾塔問題：古代有一個梵塔，塔內有三個座A、B、C，A座上有64個盤子，盤子大小不等，大的在下，小的在上。有一個和尚想把這個盤子從A座移到B座，但每次只能允許移動一個盤子，並且在移動過程中，3個座上的盤子始終保持大盤在下，小盤在上。
兩個盤子
三個盤子
① 如果只有 1 個盤子，則不需要利用 B 塔，直接將盤子從 A 移動到 C 。
② 如果有 2 個盤子，可以先將盤子 2 上的盤子 1 移動到 B ；將盤子 2 移動到 C ；將盤子 1 移動到 C 。這說明了：可以藉助 B 將 2 個盤子從 A 移動到 C ，當然，也可以藉助 C 將 2 個盤子從 A 移動到 B 。
③ 如果有 3 個盤子，那麼根據 2 個盤子的結論，可以藉助 C 將盤子 3 上的兩個盤子從 A 移動到 B ；將盤子 3 從 A 移動到 C ，A 變成空座；藉助 A 座，將 B 上的兩個盤子移動到 C 。
④ 以此類推，上述的思路可以一直擴充套件到 n 個盤子的情況，將將較小的 n-1個盤子看做一個整體，也就是我們要求的子問題，以藉助 B 塔為例，可以藉助空塔 B 將盤子A上面的 n-1 個盤子從 A 移動到 B ；將A 最大的盤子移動到 C ， A 變成空塔；藉助空塔 A ，將 B 塔上的 n-2 個盤子移動到 A，將 C 最大的盤子移動到 C， B 變成空塔……
三、爬臺階問題
問題描述：
一個人爬樓梯，每次只能爬1個或2個臺階，假設有n個臺階，那麼這個人有多少種不同的爬樓梯方法？
先從簡單的開始，以 4 個臺階為例，可以通過每次爬 1 個臺階爬完樓梯：
每次爬 1 個臺階
可以通過先爬 2 個臺階，剩下的每次爬 1 個臺階爬完樓梯
先爬 2 個臺階
在這裡，可以思考一下：可以根據第一步的走法把所有走法分為兩類：
① 第一類是第一步走了 1 個臺階
② 第二類是第一步走了 2 個臺階
所以 n 個臺階的走法就等於先走 1 階後，n-1 個臺階的走法 ，然後加上先走 2 階後，n-2 個臺階的走法。
用公式表示就是：
f(n) = f(n-1)+f(n-2)
有了遞推公式，遞迴程式碼基本上就完成了一半。那麼接下來考慮遞迴終止條件。
當有一個臺階時，我們不需要再繼續遞迴，就只有一種走法。
所以 f(1)=1。
通過用 n = 2，n = 3 這樣比較小的數試驗一下後發現這個遞迴終止條件還不足夠。
n = 2 時，f(2) = f(1) + f(0)。如果遞迴終止條件只有一個f(1) = 1，那 f(2)就無法求解，遞迴無法結束。
所以除了 f(1) = 1這一個遞迴終止條件外，還要有f(0) = 1，表示走 0 個臺階有一種走法，從思維上以及動圖上來看，這顯得的有點不符合邏輯。所以為了便於理解，把 f(2) = 2 作為一種終止條件，表示走 2 個臺階，有兩種走法，一步走完或者分兩步來走。
總結如下：
① 假設只有一個臺階，那麼只有一種走法，那就是爬 1 個臺階
② 假設有兩個個臺階，那麼有兩種走法，一步走完或者分兩步來走
遞迴終止條件
通過遞迴條件：
11f(1) = 1;
22f(2) = 2;
33f(n) = f(n-1)+f(n-2)
很容易推匯出遞迴程式碼：
11int f(int n) {
22 if (n == 1) return 1;
33 if (n == 2) return 2;
44 return f(n-1) + f(n-2);
55}
通過上述三個示例，總結一下如何寫遞迴程式碼：
找到如何將大問題分解為小問題的規律
通過規律寫出遞推公式
通過遞迴公式的臨界點推敲出終止條件、
將遞推公式和終止條件翻譯成程式碼
什麼是動態規劃
介紹動態規劃之前先介紹一下分治策略（Divide and Conquer）。
分治策略
將原問題分解為若干個規模較小但類似於原問題的子問題（Divide），「遞迴」的求解這些子問題（Conquer），然後再合併這些子問題的解來建立原問題的解。
因為在求解大問題時，需要遞迴的求小問題，因此一般用「遞迴」的方法實現，即自頂向下。
動態規劃（Dynamic Programming）
動態規劃其實和分治策略是類似的，也是將一個原問題分解為若干個規模較小的子問題，遞迴的求解這些子問題，然後合併子問題的解得到原問題的解。
區別在於這些子問題會有重疊，一個子問題在求解後，可能會再次求解，於是我們想到將這些子問題的解儲存起來，當下次再次求解這個子問題時，直接拿過來就是。
其實就是說，動態規劃所解決的問題是分治策略所解決問題的一個子集，只是這個子集更適合用動態規劃來解決從而得到更小的執行時間。
即用動態規劃能解決的問題分治策略肯定能解決，只是執行時間長了。因此，分治策略一般用來解決子問題相互對立的問題，稱為標準分治，而動態規劃用來解決子問題重疊的問題。
與「分治策略」「動態規劃」概念接近的還有「貪心演算法」「回溯演算法」，由於篇幅限制，程式設計師小吳就不在這進行展開，在後續的文章中將分別詳細的介紹「貪心演算法」、「回溯演算法」、「分治演算法」，敬請關注：）
將「動態規劃」的概念關鍵點抽離出來描述就是這樣的：
1.動態規劃法試圖只解決每個子問題一次
2.一旦某個給定子問題的解已經算出，則將其記憶化儲存，以便下次需要同一個子問題解之時直接查表。
從遞迴到動態規劃
還是以 爬臺階 為例，如果以遞迴的方式解決的話，那麼這種方法的時間複雜度為O(2^n)，具體的計算可以檢視筆者之前的文章 《冰與火之歌：時間複雜度與空間複雜度》。
相同顏色代表著 爬臺階問題 在遞迴計算過程中重複計算的部分。
爬臺階的時間複雜度
通過圖片可以發現一個現象，我們是 自頂向下 的進行遞迴運算，比如：f(n) 是f(n-1)與f(n-2)相加，f(n-1) 是f(n-2)與f(n-3)相加。
思考一下：如果反過來，採取自底向上，用迭代的方式進行推導會怎麼樣了？
下面通過表格來解釋 f(n)自底向上的求解過程。
臺階數 1 2 3 4 5 6 7 8 9
走法數 1 2
表格的第一行代表了樓梯臺階的數目，第二行代表了若干臺階對應的走法數。
其中f(1) = 1和 f(2) = 2是前面明確的結果。
第一次迭代，如果臺階數為 3 ，那麼走法數為 3 ，通過 f(3) = f(2) + f(1)得來。
第二次迭代，如果臺階數為 4 ，那麼走法數為 5 ，通過 f(4) = f(3) + f(2)得來。
由此可見，每一次迭代過程中，只需要保留之前的兩個狀態，就可以推到出新的狀態。
show me the code
11int f(int n) {
2 2 if (n == 1) return 1;
3 3 if (n == 2) return 2;
4 4 // a 儲存倒數第二個子狀態資料，b 儲存倒數第一個子狀態資料， temp 儲存當前狀態的資料
5 5 int a = 1, b = 2;
6 6 int temp = a + b;
7 7 for (int i = 3; i <= n; i++) {
8 8 temp = a + b;
9 9 a = b;
1010 b = temp;
1111 }
1212 return temp;
1313}
程式從 i = 3 開始迭代，一直到 i = n 結束。每一次迭代，都會計算出多一級臺階的走法數量。迭代過程中只需保留兩個臨時變數 a 和 b ，分別代表了上一次和上上次迭代的結果。為了便於理解，引入了temp 變數。temp 代表了當前迭代的結果值。
看一看出，事實上並沒有增加太多的程式碼，只是簡單的進行了優化，時間複雜度便就降為O(n)，而空間複雜度也變為O(1)，這，就是「動態規劃」的強大！
詳解動態規劃
「動態規劃」中包含三個重要的概念：
【最優子結構】
【邊界】
【狀態轉移公式】
在「 爬臺階問題 」中
f(10) = f(9) + f(8)是【最優子結構】f(1) 與 f(2)是【邊界】f(n) = f(n-1) + f(n-2)【狀態轉移公式】
「 爬臺階問題 」 只是動態規劃中相對簡單的問題，因為它只有一個變化維度，如果涉及多個維度的話，那麼問題就變得複雜多了。
難點就在於找出 「動態規劃」中的這三個概念。
比如「 國王和金礦問題 」。
國王和金礦問題
有一個國家發現了 5 座金礦，每座金礦的黃金儲量不同，需要參與挖掘的工人數也不同。參與挖礦工人的總數是 10 人。每座金礦要麼全挖，要麼不挖，不能派出一半人挖取一半金礦。要求用程式求解出，要想得到儘可能多的黃金，應該選擇挖取哪幾座金礦？
5 座金礦
找出 「動態規劃」中的這三個概念
國王和金礦問題中的【最優子結構】
國王和金礦問題中的【最優子結構】
國王和金礦問題中的【最優子結構】有兩個：
① 4 金礦 10 工人的最優選擇
② 4 金礦 （10 - 5） 工人的最優選擇
4 金礦的最優選擇與 5 金礦的最優選擇之間的關係是
MAX[（4 金礦 10 工人的挖金數量），（4 金礦 5 工人的挖金數量 + 第 5 座金礦的挖金數量）]
國王和金礦問題中的【邊界】
國王和金礦問題中的【邊界】 有兩個：
① 當只有 1 座金礦時，只能挖這座唯一的金礦，得到的黃金數量為該金礦的數量
② 當給定的工人數量不夠挖 1 座金礦時，獲取的黃金數量為 0
國王和金礦問題中的【狀態轉移公式】
我們把金礦數量設為 N，工人數設為 W，金礦的黃金量設為陣列G[]，金礦的用工量設為陣列P[]，得到【狀態轉移公式】：
邊界值：F(n,w) = 0 (n <= 1, w < p[0])
F(n,w) = g[0] (n==1, w >= p[0])
F(n,w) = F(n-1,w) (n > 1, w < p[n-1])
F(n,w) = max(F(n-1,w), F(n-1,w-p[n-1]) + g[n-1]) (n > 1, w >= p[n-1])
國王和金礦問題中的【實現】
先通過幾幅動畫來理解 「工人」 與 「金礦」 搭配的方式
1.只挖第一座金礦
只挖第一座金礦
在只挖第一座金礦前面兩個工人挖礦收益為 零，當有三個工人時，才開始產生收益為 200，而後即使增加再多的工人收益不變，因為只有一座金礦可挖。
2.挖第一座與第二座金礦
挖第一座金礦與第二座金礦
在第一座與第二座金礦這種情況中，前面兩個工人挖礦收益為 零，因為 W < 3,所以F(N,W) = F(N-1,W) = 0。
當有 三 個工人時，將其安排挖第 一 個金礦，開始產生收益為 200。
當有 四 個工人時，挖礦位置變化，將其安排挖第 二 個金礦，開始產生收益為 300。
當有 五、六 個工人時，由於多於 四 個工人的人數不足以去開挖第 一 座礦，因此收益還是為 300。
當有 七 個工人時，可以同時開採第 一 個和第 二 個金礦，開始產生收益為 500。
3.挖前三座金礦
這是「國王和金礦」 問題中最重要的一個動畫之一，可以多看幾遍
挖前三座金礦
4.挖前四座金礦
這是「國王和金礦」 問題中最重要的一個動畫之一，可以多看幾遍
挖前四座金礦
國王和金礦問題中的【規律】
仔細觀察上面的幾組動畫可以發現：
對比「挖第一座與第二座金礦」和「挖前三座金礦」，在「挖前三座金礦」中，3 金礦 7 工人的挖礦收益，來自於 2 金礦 7 工人和 2 金礦 4 工人的結果，Max(500,300 + 350) = 650；
對比「挖前三座金礦」和「挖前四座金礦」，在「挖前四座金礦」中，4 金礦 10 工人的挖礦收益，來自於 3 金礦 10 工人和 3 金礦 5 工人的結果，Max(850,400 + 300) = 850；
國王和金礦問題中的【動態規劃程式碼】
1 1程式碼來源：https://www.cnblogs.com/SDJL/archive/2008/08/22/1274312.html
2 2
3 3//maxGold[i][j] 儲存了i個人挖前j個金礦能夠得到的最大金子數，等於 -1 時表示未知
4 4int maxGold[max_people][max_n];
5 5
6 6int GetMaxGold(int people, int mineNum){
7 7 int retMaxGold; //宣告返回的最大金礦數量
8 8 //如果這個問題曾經計算過
9 9 if(maxGold[people][mineNum] != -1){
1010 retMaxGold = maxGold[people][mineNum]; //獲得儲存起來的值
1111 }else if(mineNum == 0) { //如果僅有一個金礦時 [ 對應動態規劃中的"邊界"]
1212 if(people >= peopleNeed[mineNum]) //當給出的人數足夠開採這座金礦
1313 retMaxGold = gold[mineNum]; //得到的最大值就是這座金礦的金子數
1414 else //否則這唯一的一座金礦也不能開採
1515 retMaxGold = 0; //得到的最大值為 0 個金子
1616 }else if(people >= peopleNeed[mineNum]) // 如果人夠開採這座金礦[對應動態規劃中的"最優子結構"]
1717 {
1818 //考慮開採與不開採兩種情況，取最大值
1919 retMaxGold = max(
2020 GetMaxGold(people - peopleNeed[mineNum],mineNum - 1) + gold[mineNum],
2121 GetMaxGold(people,mineNum - 1)
2222 );
2323 }else//否則給出的人不夠開採這座金礦 [ 對應動態規劃中的"最優子結構"]
2424 {
2525 retMaxGold = GetMaxGold(people,mineNum - 1); //僅考慮不開採的情況
2626 maxGold[people][mineNum] = retMaxGold;
2727 }
2828 return retMaxGold;
2929}
動態規劃程式碼
希望通過這篇文章，大家能對「遞迴」與「動態規劃」有一定的理解。後續將以「動態規劃」為基礎研究多重揹包演算法、迪杰特斯拉演算法等更高深的演算法問題，同時「遞迴」的更多概念也會在「分治演算法」章節再次延伸，敬請對程式設計師小吳保持關注。
作者 | 程式設計師小吳
來源 | 五分鐘學演算法
在學習「資料結構和演算法」的過程中，因為人習慣了平鋪直敘的思維方式，所以「遞迴」與「動態規劃」這種帶迴圈概念（繞來繞去）的往往是相對比較難以理解的兩個抽象知識點。
程式設計師小吳打算使用動畫的形式來幫助理解「遞迴」，
【問題】
給定陣列arr，返回arr的最長遞增子序列
【基本思路】
首先介紹時間複雜度為O(N^2)的方法。具體過程如下：
生成長度為N(arr的長度)的陣列dp，dp[i]表示在以arr[i
矩陣的最小路徑和
給一個矩陣，從左上角走到右下角，只能向右或向下走，求和最小的路徑。
#include <bits/stdc++.h>
using namespace std;
// 普通的動態規劃,空間複雜度和時間複雜度均為O(N*M)
內容：
1、遞迴與多型規劃的關係
2、暴力遞迴
3、動態規劃
1、遞迴與多型規劃的關係
暴力遞迴：
把問題轉化為規模縮小了的同類問題的子問題
有明確的不需要繼續進行遞迴的條件(base case)
有當得到了子問題的結果之後的決策過程
【問題】
給定陣列arr，arr中所有的值都為整數且不重複。每個值代表一種面值的貨幣，每種貨幣有無數張，再給定一個整數aim代表要找的錢數，求換錢的方法有多少種。
【基本思路】
這道題的經典之處在於它可以體現暴力遞迴、記憶搜尋、動態規劃之間的關係，並可
【題目】
給定整數Ｎ，返回斐波那契數列的第Ｎ項
假設農場中成熟的母牛每年只會生一頭小母牛，並且永遠不會死。第一年農場有１只成熟的牛，從第二年開始，母牛開始生小母牛。每隻小母牛３年之後 成熟又可以生小母牛。給定整數Ｎ，返回Ｎ年後牛的數量。
【基本
兔子繁殖問題：
這是一個有趣的古典數學問題，著名義大利數學家Fibonacci曾提出一個問題：有一對小兔子，從出生後第3個月起每個月都生一對兔子。小兔子長到第3個月後每個月又生一對兔子。按此規律，假設沒有兔子死亡，第一個月有一對剛出生的小兔子，問第n個月有多少 在學習「資料結構和演算法」的過程中，因為人習慣了平鋪直敘的思維方式，所以「遞迴」與「動態規劃」這種帶迴圈概念（繞來繞去）的往往是相對比較難以理解的兩個抽象知識點。
程式設計師小吳打算使用動畫的形式來幫助理解「遞迴」，然後通過「遞迴」的概念延伸至理解「動態規劃」演算法思想。
什麼是遞迴
先下定義：遞迴演算 Follow: MisterBooo · GitHub
如果文章程式碼不便閱讀，可點選這裡檢視原文：）
在學習「資料結構和演算法」的過程中，因為人習慣了平鋪直敘的思維方式，所以「遞迴」與「動態規劃」這種帶迴圈概念（繞來繞去）的往往是相對比較難以理解的兩個抽象知識點。
程式設計師 前言
推出一個新系列，《看圖輕鬆理解資料結構和演算法》，主要使用圖片來描述常見的資料結構和演算法，輕鬆閱讀並理解掌握。本系列包括各種堆、各種佇列、各種列表、各種樹、各種圖、各種排序等等幾十篇的樣子。
Radix樹
Radix樹，即基數樹，也稱壓縮字首樹，是一種提供key-value儲存查詢的資料結構。與
前言
推出一個新系列，《看圖輕鬆理解資料結構和演算法》，主要使用圖片來描述常見的資料結構和演算法，輕鬆閱讀並理解掌握。本系列包括各種堆、各種佇列、各種列表、各種樹、各種圖、各種排序等等幾十篇的樣子。
希爾排序
希爾排序是希爾（Donald Shell）提出的一種
原文連結：看動畫輕鬆理解時間複雜度（一）
演算法（Algorithm）是指用來操作資料、解決程式問題的一組方法。對於同一個問題，使用不同的演算法，也許最終得到的結果是一樣的，比如排序就有前面的十大經典排序和幾種奇葩排序，雖然結果相同，但在過程中消耗的資源和時間卻會有很大的區別，比如快速排序與猴子排
上篇文章講述了與複雜度有關的大 O 表示法和常見的時間複雜度量級，這篇文章來講講另外幾種複雜度： 遞迴演算法的時間複雜度（recursive algorithm time complexity），最好情況時間複雜度（best case time complexity）、最壞情況
堆(heap)又被為優先佇列(priority queue)。儘管名為優先佇列，但堆並不是佇列。
因為佇列中允許的操作是先進先出（FIFO），在隊尾插入元素，在隊頭取出元素。
而堆雖然在堆底插入元素，在堆頂取出元素，但是堆中元素的排列不是按照到來的先後順序，而是按照一定的優先順序 Trie樹
Trie這個名字取自“retrieval”，檢索，因為Trie可以只用一個字首便可以在一部字典中找到想要的單詞。 雖然發音與「Tree」一致，但為了將這種 字典樹 與 普通二叉樹 以示區別，程式設計師小吳一般讀「Trie」尾部會重讀一聲，可以理解為讀「TreeE」。
Trie 樹，也
這個題做了一個多小時，考慮複雜了。
開始推動規沒有推出來，然後找到一個遞推關係：從左往右，如果是0，則不需要變動；如果是1，則有兩種選擇（1）將1變為0（2）將1後面的所有數字變為1，這兩種方法中的變動數字最小的方法就是最佳方法，然後依次遞推，很容易寫出遞迴程式。但是這裡面存
龜兔賽跑原題如下：
Problem Description
據說在很久很久以前，可憐的兔子經歷了人生中最大的打擊——賽跑輸給烏龜後，心中鬱悶，發誓要報仇雪恨，於是躲進了杭州下沙某農業園臥薪嚐膽潛心修煉，終於練成了絕技，能夠毫不休息得以恆定的速度(VR m/s)一直跑。兔子一直想找機
題目：
On a staircase, the i-th step has some non-negative cost cost[i] assigned (0 indexed).
Once you pay the cost, you can either cl
題目
斐波那契數列： f(n)=f(n-1)+f(n-2)(n>2) f(0)=1;f(1)=1; 即有名的兔子繁衍問題
1 1 2 3 5 8 13 21 ....
我的解法
遞迴
public static int Recursion
題目
You are climbing a stair case. It takes n steps to reach to the top.
Each time you can either climb 1 or 2 steps. In how many distinc 相關推薦
看動畫輕鬆理解“遞迴”與“動態規劃”
遞迴與動態規劃---最長遞增子序列問題
遞迴與動態規劃
跟左神學演算法10 經典演算法 - 遞迴與動態規劃
遞迴與動態規劃---換錢的方法數
遞迴與動態規劃---斐波那契系列問題的遞迴，動態規劃與矩陣乘法
斐波那契數列（一）--對比遞迴與動態規劃（JAVA）
看動畫輕鬆理解「遞迴」與「動態規劃」
看動畫輕鬆理解「遞迴」與「動態規劃」（完整版）
看圖輕鬆理解資料結構與算法系列(Radix樹)
看圖輕鬆理解資料結構與算法系列(希爾排序)
看動畫輕鬆理解時間複雜度（一）
看動畫輕鬆理解時間複雜度（二）
看動畫輕鬆理解「 堆 」
【動畫】看動畫輕鬆理解「Trie樹」
LeetCode 926. 將字串翻轉到單調遞增 遞迴實現動態規劃 兩種解法
HDU 2059 龜兔賽跑 遞迴VS動態規劃
leetcode 746.爬樓梯的最小代價（從暴力遞迴到動態規劃）
LeetCode刷題Easy篇斐波那契數列問題（遞迴,尾遞迴，非遞迴和動態規劃解法）
LeetCode刷題Easy篇爬樓梯問題（遞迴和動態規劃問題）