动态规划入门：打家劫舍问题解析与优化

1. 动态规划入门：从打家劫舍问题说起

第一次看到LeetCode 198题"打家劫舍"时，我正坐在星巴克啃算法书。这道题表面上是小偷选择问题，实则是动态规划（DP）的绝佳入门案例。动态规划这个听起来高大上的概念，其实核心就是"记住已经解决过的子问题答案"——就像我们做数学题时会把中间结果写在草稿纸上一样。

这道题的场景设定非常生活化：一排房屋，每个房屋有特定金额，相邻房屋被偷会触发报警。我们需要计算在不触发警报的情况下能偷到的最大金额。这种将抽象算法问题具象化的方式，正是LeetCode题目的魅力所在。

2. 问题分析与状态定义

2.1 暴力解法的问题

最直观的想法是枚举所有可能的偷窃组合：对于每个房子，选择偷或不偷，然后检查是否满足不相邻的条件。这种暴力解法的时间复杂度是O(2^n)，当n=100时，计算量将达到惊人的1.26e+30次操作——比宇宙中的原子总数还要多。

提示：遇到需要做"选择"的问题，且当前选择会影响后续选择时，动态规划往往是最佳解决方案。

2.2 最优子结构识别

动态规划适用的关键条件是问题具有"最优子结构"性质。在打家劫舍问题中：

• 对于第i个房屋，最大收益取决于前i-1个房屋的最优解
• 这个最优解可以分解为更小规模的子问题
• 子问题之间存在重叠（多个路径可能到达同一个子问题）

2.3 状态转移方程推导

定义dp[i]为考虑前i个房屋时能获得的最大金额。对于第i个房屋，我们有两种选择：

1. 偷第i个房屋：那么第i-1个房屋不能偷，此时金额为nums[i] + dp[i-2]
2. 不偷第i个房屋：那么金额保持为dp[i-1]

因此状态转移方程为：

code复制dp[i] = max(dp[i-1], dp[i-2] + nums[i])

这个方程看似简单，却包含了动态规划的精髓：当前状态只依赖于有限的前置状态，通过组合这些子问题的解来构建更大问题的解。

3. 基础实现与复杂度分析

3.1 C语言实现细节

让我们仔细分析提供的C语言实现代码：

c复制int rob(int* nums, int numsSize) {
    if(numsSize == 1) {
        return nums[0];
    }