动态规划空间优化：从O(n²)到O(1)的实战技巧

1. 动态规划优化：从空间压缩到状态复用

第一次接触动态规划时，我被它优雅的状态转移方程所吸引，但很快就被其惊人的空间消耗所困扰。记得在解决一个中等规模的背包问题时，我的程序因为内存不足而崩溃——这促使我深入研究空间优化技术。本文将分享我在动态规划空间压缩和状态复用方面的实战经验，这些技巧帮助我将算法空间复杂度从O(n²)降到O(n)，甚至在某些情况下降到O(1)。

动态规划本质上是通过存储子问题解来避免重复计算，但这种"空间换时间"的策略常常导致内存消耗呈指数级增长。空间压缩技术不是简单的内存优化，而是对问题本质的深度理解。当我们发现某些状态一旦完成使命就不再需要时，就可以安全地覆盖或复用它们，这正是状态复用的核心思想。

提示：空间压缩不是万能的，它建立在对状态转移过程的透彻理解上。盲目应用可能导致逻辑错误或边界条件处理不当。

2. 空间压缩的基本原理与实现

2.1 传统DP的空间消耗分析

以经典的斐波那契数列为例，传统DP解法会创建一个长度为n的数组dp[]，其中dp[i]存储第i个斐波那契数。这种方法的空间复杂度是O(n)，但实际上我们计算dp[i]时只需要前两个状态dp[i-1]和dp[i-2]。

python复制# 传统DP解法
def fib(n):
    if n <= 1: return n
    dp = [0] * (n + 1)
    dp[1] = 1
    for i in range(2, n + 1):
        dp[i] = dp[i-1] + dp[i-2]
    return dp[n]

这种实现方式的空间使用明显存在优化空间——我们完全不需要存储整个数组，只需维护两个变量即可。

2.2 滚动数组技术详解

滚动数组是空间压缩最基础的技术，其核心思想是复用固定大小的存储空间。对于斐波那契问题，我们可以将空间复杂度从O(n)降到O(1)：

python复制# 滚动数组优化
def fib(n):
    if n <= 1: return n
    prev, curr = 0, 1
    for _ in range(2, n + 1):
        prev, curr = curr, prev + curr
    return curr

这里的prev和curr就像两个"轮换"的存储单元，每次迭代都更新它们的值。这种技术适用于状态转移仅依赖有限前驱状态的问题。

2.3 状态转移方程的观察技巧

不是所有DP问题都像斐波那契这样直观。以二维DP问题"最小路径和"为例，传统解法使用二维数组dp[i][j]表示从起点到(i,j)的最小路径和：

python复制# 初始解法
def minPathSum(grid):
    m, n = len(grid), len(grid[0])
    dp = [[0]*n for _ in range(m)]
    dp[0][0] = grid[0][0]
    for i in range(1, m): dp[i][0] = dp[i-1][0] + grid[i][0]
    for j in range(1, n): dp[0][j] = dp[0][j-1] + grid[0][j]
    for i in range(1, m):
        for j in range(1, n):
            dp[i][j] = min(dp[i-1][j], dp[i][j-1])