前言
在上一篇文章动态规划的文章中，我们先由 Fibonacci 例子引入到了动态规划中，然后借助兑换零钱的例子，分析了动态规划最主要的三个性质，即：
- 重叠子问题
- 最优子结构
- 状态转移方程
但是动态规划远不止这么简单。
今天这篇文章，让我们深入动态规划，一窥动态规划的本质。
我们既然要彻底搞清楚动态规划，那么一个不可避免的问题就是：
递归，贪心，记忆化搜索和动态规划之间到底有什么不同？
-
动态规划于递归 ：只是单纯的空间换时间吗？ 并不是，斐波那切数列的例子很好的推翻了这个观点。
-
动态规划于贪心：只是贪心的加强版吗？并不是，零钱兑换的例子同样推翻了这个观点。
那么，动态规划的核心到底是什么？
要回答这个问题，我们不妨先回答下面这个问题：
到底哪些问题适合用动态规划即？怎么鉴定 DP 可解问题？
相信当我们认识到哪些问题可以用 DP 解决，我们也就自然找到了 DP 和其它算法思想的区别，也就是动态规划的核心。
动态规划核心
首先我们要搞清楚，动态规划只适用于某一类问题，只是某一类问题的解决方法。
那么这“某一类问题”是什么问题呢？
聊这个之前我们有必要稍微了解下计算机的本质。
基于冯诺依曼体系结构的计算机本质上是一个状态机，为什么这么说呢？因为 CPU 要进行计算就必须和内存打交道。
因为数据存储在内存当中（寄存器和外盘性质也一样），没有数据 CPU 计算个空气啊？所以内存就是用来保存状态（数据）的，内存中当前存储的所有数据构成了当前的状态，CPU 只能利用当前的状态计算下一个状态。
我们用计算机处理问题，无非就是在思考：如何用变量来储存状态，以及如何在状态之间转移：由一些变量计算出另一些变量，由当前状态计算出下一状态。
基于这些，我们也就得到了评判算法的优劣最主要的两个指标：
-
空间复杂度：就是为了支持计算所必需存储的状态
-
时间复杂度：就是初始状态到最终状态所需多少步
如果上述表述还不是很清楚，那我们还是举之前 Fibonacci 的例子来说：
- 要计算当前 f(n)，只需要知道 f(n - 1) 和 f(n - 2).
即：
- 要计算当前状态 f(n)，只需要计算状态 f(n - 1)和 f(n -2).
也就是说当前状态只与前两个状态有关，所以对于空间复杂度：我们只需保存前两个状态即可。
这也就很好的解释了为什么动态规划并不是单纯的空间换时间，因为它其实只跟状态有关。
由一个状态转移到另一状态所需的计算时间也是常数，故线性增加的状态，其总的时间复杂度也是线性的。
以上便是动态规划的核心，即：
状态的定义及状态之间的转移（状态方程的定义）。
那么如何定义所谓的“状态”和“状态之间的转移”呢？
我们引入维基百科的定义：
dynamic programming is a method for solving a complex problem by breaking it down into a collection of simpler subproblems.
那就是通过拆分问题，定义问题状态和状态之间的关系，使得问题能够以递推（或者说分治）的方式去解决。
纸上谈来终觉浅，下边我们再来看一道同样非常经典的例题。
最长递增子序列
这是 LeetCode 第 300 题。
给定一个数列，长度为 N，求这个数列的最长上升（递增）子数列（LIS）的长度.
示例 1：
输入：nums = [10,9,2,5,3,7,101,18] 输出：4 解释：最长递增子序列是 [2,3,7,101]，因此长度为4
示例 2：
输入：nums = [0,1,0,3,2,3] 输出：4 解释：最长递增序列是 [0,1,2,3]，因此长度为4
我们如何进行状态的定义及状态间转移的定义呢？
一、状态的定义
首先我们应该进行问题的拆分，即进行这个问题子问题的定义。
所以，我们重新定义一下这个问题：
给定一个数列，长度为 N，
设 Fk为：给定数列中第 k 项结尾的最长递增子序列的长度
求 F1到 FN的最大值
是不是上边这个定义与原问题一样？
显然二者等价，不过明显第二种定义的方式，我们找到了子问题。
对于 Fk来讲，F1到 Fk-1都是 Fk的子问题。
上述新问题的 Fk 就叫做 状态。
Fk为数列中第 k 项结尾的 LIS 的长度 即为状态的定义。
二、状态转移方程的定义
状态定义好之后，状态与状态之间的关系式，就叫状态转移方程。
此题以 Fk的定义来说：
设 Fk为：给定数列中第 k 项结尾的最长递增子序列的长
思考，状态之间应该怎么转移呢？
还记得我们之前说的拆分问题不，在这里同样我们可以沿用这一招，即拆分数据。
如果数列只有一个数呢？那我们应该返回 1(我们找到了状态边界情况)。
那么我们可以写出以下状态转移方程：
F1 = 1
Fk = max ( Fi + 1 | i ∈（1，k-1）)（k > 1）
即：以第 k 项结尾的 LIS 的长度是：max { 以第 i 项结尾的 LIS 长度 + 1 }, 第 i 项比第 k 项小
大家理解下，是不是这么回事～
回忆一下我们是怎么做的？
- 我们通过拆分问题进行了问题（子问题）的重定义（状态的定义）；
- 通过状态的定义，再结合状态的边界情况，我们写出了状态与状态之间转移即状态转移方程的定义。
写出了状态转移方程，可以说到此，动态规划算法核心的思想我们已经表达出来了。
剩下的只不过是用记忆化地求解递推式的方法来解决就行了。
下面我们尝试写出代码。
代码
首先我们定义 dp 数组：
int[] dp = new int[nums.length];
（注意这里 dp 数组的大小跟上一篇文章兑换零钱的例子有一丢丢不同，即这里没有+1，大家可以再点击这里看下上一篇文章仔细理解一下。）
那么这里 dp 数组的含义就是：
dp[i] 保存的值即是给定数组 i 位之前最长递增子序列的长度。
那么我们的初始状态是什么呢？
我们知道状态的边界情况为：
F1 = 1
- 即如果数据只有一位那么应该返回 1；
- 当数据个数 > 1 时，如果整个数列没有出现第二个递增的数，那么同样返回 1.
所以，初始状态我们给 dp 数组每个位置都赋为 1.
Arrays.fill(dp, 1);
然后，我们从给定数组的第一个元素开始遍历，即写出外层的 for 循环：
for(int i = 0; i < nums.length;i++){
......
}
当我们外层遍历到某元素时，我们怎么做呢？
我们得找一下，在这个外层元素之前，存不存在比它小的数，如果存在，那么我们就更新此外层元素的 dp[i]
如果某元素之前有比它小的数，那么这不就构成了递增子序列了吗？
因此我们可以写出内层 for 循环：
for (int j = 0; j < i; j++) {
//如果前面有小于当前外层nums[i]的数，那么就令当前dp[i] = dp[j] + 1
if (nums[j] < nums[i]) {
//因为当前外层nums[i]前边可能有多个小于它的数，即存在多种组合，我们取最大的一组放到dp[i]里
dp[i] = Math.max(dp[i], dp[j] + 1);
}
}
两层循环结束时，dp[] 数组里存储的就是相应元素位置之前的最大递增子序列长度，我们只需遍历 dp[] 数组寻找出最大值，即可求得整个数组的最大递增子序列长度：
int res = 0;
for(int k = 0; k < dp.length; k++){
res = Math.max(res, dp[k]);
}
此题代码也就写完了，下面贴出完整代码:
class Solution {
public int lengthOfLIS(int[] nums) {
if(nums.length < 2) return 1;
int[] dp = new int[nums.length];
Arrays.fill(dp,1);
for(int i = 0;i < nums.length;i++){
for(int j = 0;j < i;j++){
if(nums[j] < nums[i]){
dp[i] = Math.max(dp[i],dp[j] + 1);
}
}
}
int res = 0;
for(int k = 0;k < dp.length;k++){
res = Math.max(res,dp[k]);
}
return res;
}
}
这个题两层 for 循环跟之前兑换零钱的代码基本上差不多，大家可以结合上一篇文章再一起对比理解。
不同之处只是内层 for 循环的判断条件和状态转移方程的表达（如何更新 dp[]），这也是动态规划的本质所在。
小结
关于动态规划有很多误区和误解，比如最常见的可能就是说它是空间换时间，以及搞不清楚它和贪心的区别。
希望这两篇动态规划的文章能帮你消除这些误区，并且更好的理解到动态规划的本质，理解状态和状态方程。
当然，仅仅这两篇文章想说透动态规划是远远不够的，所以接下来会具体的讲解一些典型问题，比如背包问题、石子游戏、股票问题等等，希望能帮你在学习算法的道路上少走一些弯路。
如果大家有什么想了解的算法和题目类型，非常欢迎在评论区留言告诉我，我们下期见！
