动态规划入门：爬楼梯问题的递归到DP优化

1. 爬楼梯问题解析：从递归到动态规划的思维跃迁

第一次在LeetCode上遇到爬楼梯问题时，我盯着屏幕看了足足五分钟——题目描述简单到令人怀疑："每次可以爬1或2个台阶，有多少种不同的方法可以爬到第n阶？"这看似小学数学题背后，却隐藏着算法设计的精妙思想。作为动态规划的经典入门题，它完美诠释了如何将生活场景转化为数学模型。

这道题之所以被各大科技公司频繁用作面试题，是因为它能考察面试者三个核心能力：问题抽象能力（将实际场景转化为数学模型）、算法选择能力（识别问题特征选择合适解法）以及代码实现能力（边界条件处理和空间优化）。我见过不少候选人在白板上画了半天楼梯却写不出状态转移方程，也遇到过能直接写出最优解却解释不清思路的应试者。真正理解这道题，远比AC（Accept）更重要。

2. 解法演进：从暴力递归到空间优化

2.1 递归解法：最直观的思维陷阱

当我第一次尝试解决这个问题时，最自然的想法就是递归：

python复制def climbStairs(n):
    if n == 1: return 1
    if n == 2: return 2
    return climbStairs(n-1) + climbStairs(n-2)

这种解法虽然直观，但存在严重的性能问题。以n=5为例，调用栈会这样展开：

code复制climbStairs(5)
├── climbStairs(4)
│   ├── climbStairs(3)
│   │   ├── climbStairs(2)
│   │   └── climbStairs(1)
│   └── climbStairs(2)
└── climbStairs(3)
    ├── climbStairs(2)
    └── climbStairs(1)

时间复杂度高达O(2^n)，当n=40时，在我的笔记本上运行需要约15秒。这是因为存在大量重复计算——climbStairs(3)被计算了两次，climbStairs(2)被计算了三次。

关键教训：递归解法一定要先画调用树，确认是否存在重复计算。如果发现重叠子问题，就该考虑动态规划。

2.2 记忆化递归：空间换时间的平衡术

在纯递归基础上加入缓存，就是记忆化搜索（Memoization）：