動態規劃相信大家都知道，動態規劃演算法也是新手在剛接觸演算法設計時很苦惱的問題，有時候覺得難以理解，但是真正理解之後，就會覺得動態規劃其實並沒有想象中那麼難。網上也有很多關於講解動態規劃的文章，大多都是敘述概念，講解原理，讓人覺得晦澀難懂，即使一時間看懂了，發現當自己做題的時候又會覺得無所適從。我覺得，理解演算法最重要的還是在於練習，只有通過自己練習，才可以更快地提升。話不多說，接下來，下面我就通過一個例子來一步一步講解動態規劃是怎樣使用的，只有知道怎樣使用，才能更好地理解，而不是一味地對概念和原理進行反覆琢磨。

     首先，我們看一下這道題（此題目來源於北大POJ）：

     數字三角形(POJ1163)

     在上面的數字三角形中尋找一條從頂部到底邊的路徑，使得路徑上所經過的數字之和最大。路徑上的每一步都只能往左下或 右下走。只需要求出這個最大和即可，不必給出具體路徑。 三角形的行數大於1小於等於100，數字為 0 - 99

    輸入格式：

    5      //表示三角形的行數    接下來輸入三角形

    7

    3   8

    8   1   0

    2   7   4   4

    4   5   2   6   5

    要求輸出最大和

    接下來，我們來分析一下解題思路：

    首先，肯定得用二維陣列來存放數字三角形

    然後我們用

    我們用MaxSum(r ,  j)表示從D(r , j)到底邊的各條路徑中（當然也可以說成是從底邊到D(r , j)的最佳路徑），最佳路徑的數字之和。

    因此，此題的最終問題就變成了求 MaxSum(1,1)。（這裡是說陣列從[1，1]開始存。[0，0]直接空掉）

    當我們看到這個題目的時候，首先想到的就是可以用簡單的遞迴來解題：

    D(r ,  j)出發，下一步只能走D(r+1 , j)或者D(r+1 ,  j+1)。故對於N行的三角形，我們可以寫出如下的遞迴式：   

if ( r == N)                
    MaxSum(r,j) = D(r,j)  //因為是從底邊往上走，所以最後一層（即是底邊）為最大值。
else      
   MaxSum(r,j) = Max{ MaxSum(r＋1,j), MaxSum(r+1,j+1) } + D(r,j) 
 

    根據上面這個簡單的遞迴式，我們就可以很輕鬆地寫出完整的遞迴程式碼： 

#include <iostream>  
#include <algorithm> 
#define MAX 101  
using namespace std; 
int D[MAX][MAX];  
int n;  
int MaxSum(int i, int j){    
     if(i==n)  
	return D[i][j];    
     int x = MaxSum(i+1,j);    
     int y = MaxSum(i+1,j+1);    
     return max(x,y)+D[i][j];  
}
int main(){    
     int i,j;    
     cin >> n;    
     for(i=1;i<=n;i++)   
	 for(j=1;j<=i;j++)        
	     cin >> D[i][j];    
     cout << MaxSum(1,1) << endl;  
}      

    對於如上這段遞迴的程式碼，當我提交到POJ時，會顯示如下結果：

    對的，程式碼執行超時了，為什麼會超時呢？

    答案很簡單，因為我們重複計算了，當我們在進行遞迴時，計算機幫我們計算的過程如下圖：

      就拿第三行數字1 來說，當我們計算從第2行 的數字3 開始的MaxSum時會計算出從1開始的MaxSum，當我們計算從第二行的數字8開始的MaxSum的時候又會計算一次從1開始的MaxSum，也就是說有重複計算。這樣就浪費了大量的時間。也就是說如果採用遞規的方法，深度遍歷每條路徑，存在大量重複計算。則時間複雜度為 2的n次方,對於 n = 100 行，肯定超時。 

     接下來，我們就要考慮如何進行改進，我們自然而然就可以想到如果每算出一個MaxSum(r,j)就儲存起來，下次用到其值的時候直接取用，則可免去重複計算。那麼可以用n方的時間複雜度完成計算。因為三角形的數字總數是 n(n+1)/2

    根據這個思路，我們就可以將上面的程式碼進行改進，使之成為記憶遞迴型的動態規劃程式： 

#include <iostream>  
#include <algorithm> 
using namespace std;
 
#define MAX 101
  
int D[MAX][MAX];    
int n;  
int maxSum[MAX][MAX]; //記憶動態規劃開闢的陣列///*
 
int MaxSum(int i, int j){      
	if( maxSum[i][j] != -1 )         
		return maxSum[i][j]; //記憶遞迴動態規劃///* 
	if(i==n)   
		maxSum[i][j] = D[i][j];     
	else{    
		int x = MaxSum(i+1,j);       
		int y = MaxSum(i+1,j+1);       
		maxSum[i][j] = max(x,y)+ D[i][j];     
	}     
	return maxSum[i][j]; 
} 
int main(){    
	int i,j;    
	cin >> n;    
	for(i=1;i<=n;i++)   
		for(j=1;j<=i;j++) {       
			cin >> D[i][j];       
			maxSum[i][j] = -1;   
		}    
	cout << MaxSum(1,1) << endl; 
} 

    當我們提交如上程式碼時，結果就是一次AC

    

    雖然在短時間內就AC了。但是，我們並不能滿足於這樣的程式碼，因為遞迴總是需要使用大量堆疊上的空間，很容易造成棧溢位，我們現在就要考慮如何把遞迴轉換為遞推，讓我們一步一步來完成這個過程。

    我們首先需要計算的是最後一行，因此可以把最後一行直接寫出，如下圖：

      現在開始分析倒數第二行的每一個數，現分析數字2，2可以和最後一行4相加，也可以和最後一行的5相加，但是很顯然和5相加要更大一點，結果為7，我們此時就可以將7儲存起來，然後分析數字7，7可以和最後一行的5相加，也可以和最後一行的2相加，很顯然和5相加更大，結果為12，因此我們將12儲存起來。以此類推。。我們可以得到下面這張圖：

     然後按同樣的道理分析倒數第三行和倒數第四行，最後分析第一行，我們可以依次得到如下結果：

    上面的推導過程相信大家不難理解，理解之後我們就可以寫出如下的遞推型動態規劃程式： 

#include <iostream>  
#include <algorithm> 
using namespace std; 

#define MAX 101  

int D[MAX][MAX];   
int n;  
int maxSum[MAX][MAX]; 
int main(){    
	int i,j;    
	cin >> n;    
	for(i=1;i<=n;i++)   
		for(j=1;j<=i;j++)        
			cin >> D[i][j];   
	for( int i = 1;i <= n; ++ i )     
		maxSum[n][i] = D[n][i];   
	for( int i = n-1; i>= 1;  --i )     
		for( int j = 1; j <= i; ++j )         
			maxSum[i][j] = max(maxSum[i+1][j],maxSum[i+1][j+1]) + D[i][j];    
	cout << maxSum[1][1] << endl;  
} 

     我們的程式碼僅僅是這樣就夠了嗎？當然不是，我們仍然可以繼續優化，而這個優化當然是對於空間進行優化，其實完全沒必要用二維maxSum陣列儲存每一個MaxSum(r,j),只要從底層一行行向上遞推，那麼只要一維陣列maxSum[100]即可,即只要儲存一行的MaxSum值就可以。

     對於空間優化後的具體遞推過程如下：

    接下里的步驟就按上圖的過程一步一步推導就可以了。進一步考慮，我們甚至可以連maxSum陣列都可以不要，直接用D的第n行直接替代maxSum即可。但是這裡需要強調的是：雖然節省空間，但是時間複雜度還是不變的。

    依照上面的方式，我們可以寫出如下程式碼：    

#include <iostream>  
#include <algorithm> 
using namespace std; 

#define MAX 101  

int D[MAX][MAX];  
int n; 
int * maxSum; 

int main(){    
	int i,j;    
	cin >> n;    
	for(i=1;i<=n;i++)   
		for(j=1;j<=i;j++)        
			cin >> D[i][j];   
	maxSum = D[n]; //maxSum指向第n行    
	for( int i = n-1; i>= 1;  --i )     
		for( int j = 1; j <= i; ++j )       
			maxSum[j] = max(maxSum[j],maxSum[j+1]) + D[i][j];    
	cout << maxSum[1] << endl;  
}

     接下來，我們就進行一下總結：

     遞迴到動態規劃的一般轉化方法

     遞迴函式有n個引數，就定義一個n維的陣列，陣列的下標是遞迴函式引數的取值範圍，陣列元素的值是遞迴函式的返回值，這樣就可以從邊界值開始， 逐步填充陣列，相當於計算遞迴函式值的逆過程。

    動態規劃解題的一般思路

    1 將原問題分解為子問題

• 把原問題分解為若干個子問題，子問題和原問題形式相同或類似，只不過規模變小了。子問題都解決，原問題即解決(數字三角形例）。
•        子問題的解一旦求出就會被儲存，所以每個子問題只需求解一次。

    2 確定狀態

•        在用動態規劃解題時，我們往往將和子問題相關的各個變數的一組取值，稱之為一個“狀 態”。一個“狀態”對應於一個或多個子問題， 所謂某個“狀態”下的“值”，就是這個“狀 態”所對應的子問題的解。
•        所有“狀態”的集合，構成問題的“狀態空間”。“狀態空間”的大小，與用動態規劃解決問題的時間複雜度直接相關。 在數字三角形的例子裡，一共有N×(N+1)/2個數字，所以這個問題的狀態空間裡一共就有N×(N+1)/2個狀態。

       整個問題的時間複雜度是狀態數目乘以計算每個狀態所需時間。在數字三角形裡每個“狀態”只需要經過一次，且在每個狀態上作計算所花的時間都是和N無關的常數。

    3 確定一些初始狀態（邊界狀態）的值

    以“數字三角形”為例，初始狀態就是底邊數字，值就是底邊數字值。

    4 確定狀態轉移方程

     定義出什麼是“狀態”，以及在該“狀態”下的“值”後，就要找出不同的狀態之間如何遷移――即如何從一個或多個“值”已知的 “狀態”，求出另一個“狀態”的“值”(遞推型)。狀態的遷移可以用遞推公式表示，此遞推公式也可被稱作“狀態轉移方程”。

    數字三角形的狀態轉移方程: 

能用動態規劃解決的問題的特點

    1) 問題具有最優子結構性質。如果問題的最優解所包含的 子問題的解也是最優的，我們就稱該問題具有最優子結 構性質。

    2) 無後效性。當前的若干個狀態值一旦確定，則此後過程的演變就只和這若干個狀態的值有關，和之前是採取哪種手段或經過哪條路徑演變到當前的這若干個狀態，沒有關係。

好久沒看部落格發現這篇文章現在已經這麼火熱了，看了一下評論發現不少人對這篇文章都比較有興趣，我當初寫這篇文章是受到了Coursera上面一門演算法課程的啟發，大家有興趣可以去聽聽這門課程：資料結構與演算法