动态规划与图遍历：算法面试核心考点解析

1. 为什么算法面试总爱考动态规划和图遍历？

上周帮学弟复盘一场大厂技术面，面试官连续抛出三道题：爬楼梯问题、岛屿数量计算、最短路径优化。看似题型各异，实则都指向两个核心考点——动态规划（DP）和图遍历。这绝非偶然，根据我参与过的近百场技术面试统计，超过70%的中高阶算法题都与这两个知识点强相关。

动态规划之所以成为面试官的"心头好"，在于它能同时考察候选人的三大能力：问题拆解（如何定义状态转移方程）、数学建模（边界条件与递推关系）、代码实现（空间优化技巧）。而图遍历则是现实业务场景的抽象常客，从社交网络的好友推荐到物流系统的路径规划，DFS/BFS的变体应用无处不在。

2. 动态规划的系统性破解之道

2.1 识别DP问题的黄金特征

去年我在准备谷歌面试时，总结出DP题的三个判断信号：

1. 问题可分解为重叠子问题（如斐波那契数列计算）
2. 存在最优子结构性质（局部最优解能构成全局最优）
3. 需要做选择性决策（如背包问题的装与不装）

典型反例是快速排序——虽然能分治但子问题不重叠，这类问题用分治法更合适。

2.2 五步标准化解题框架

通过LeetCode 300+题的实战验证，我提炼出这套通用解法流程：

1. 定义状态表示（DP数组含义）

   • 一维数组：通常用于线性序列问题（如最大子数组和）
   • 二维数组：适合矩阵路径或双序列问题（编辑距离）

2. 建立状态转移方程

   • 正向递推：dp[i] = f(dp[i-1], dp[i-2])
   • 逆向推导：从终点倒推初始状态

3. 初始化基准条件

   • 特别注意dp[0]和dp[1]的取值
   • 处理负数索引等边界情况

4. 确定遍历顺序

   • 01背包问题：物品外层循环，容量内层倒序
   • 完全背包：容量层正序遍历

5. 空间复杂度优化

   • 滚动数组技巧（将O(n²)降为O(n)）
   • 状态压缩（如位运算表示状态）

实战案例：LeetCode 72编辑距离

python复制def minDistance(word1, word2):
    m, n = len(word1), len(word2)
    dp = [[0]*(n+1) for _ in range(m+1)]