动态规划实战：从打家劫舍问题入门算法优化

1. 动态规划入门：从打家劫舍问题说起

第一次接触打家劫舍系列问题时，我正为一个线上编程比赛做准备。这类问题看似简单，却完美展现了动态规划的核心思想——将复杂问题分解为重叠子问题。让我们先看最基础的198题：假设你是一个专业小偷，计划偷窃沿街的房屋，但相邻房屋装有相互连通的防盗系统，如果两间相邻的房屋在同一晚被闯入，系统会自动报警。

这个问题的暴力解法时间复杂度高达O(2^n)，因为每个房屋都有偷或不偷两种选择。但通过动态规划，我们可以将其优化到O(n)。关键在于定义状态：dp[i]表示前i个房屋能偷窃到的最高金额。状态转移方程为：

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

这个方程的意思是：对于第i个房屋，我们有两种选择：

1. 不偷第i个房屋，那么最高金额等于前i-1个房屋的最高金额（dp[i-1]）
2. 偷第i个房屋，那么不能偷第i-1个房屋，最高金额等于前i-2个房屋的最高金额加上当前房屋的金额（dp[i-2] + nums[i]）

实际编码时，可以只用两个变量代替整个dp数组，将空间复杂度优化到O(1)。这是动态规划中常见的空间优化技巧。

2. 环形房屋的挑战：打家劫舍II

当房屋排成环形时（213题），问题变得更有趣了。首尾相连意味着偷了第一个房屋就不能偷最后一个，反之亦然。这种情况下，我们需要将问题分解为两个子问题：

1. 不考虑最后一个房屋：计算nums[0...n-2]的最大金额
2. 不考虑第一个房屋：计算nums[1...n-1]的最大金额

然后取这两个结果中的较大值。这种分解技巧在处理环形问题时非常实用。代码实现上，我们可以复用基础版的打家劫舍函数：

python复制def rob(nums):
    if len(nums) == 1:
        return nums[0]
    return max(rob_linear(nums[:-1]), rob_linear(nums[1:]))

def rob_linear(nums):
    prev, curr = 0, 0
    for num in nums:
        prev, curr = curr, max(curr, prev + num)
    return curr

注意边界条件：当只有一个房屋时，直接返回该房屋的金额。这个细节在实际编程比赛中经常被忽略，导致WA（Wrong Answer）。

3. 树形结构的动态规划：打家劫舍III

337题将问题提升到了树形结构，要求在不触动警报的情况下，从二叉树中选取不相邻的节点获取最大和。这需要我们对树进行后序遍历，因为我们需要先知道子节点的结果才能计算当前节点的最优解。

每个节点有两种状态：

1. 偷当前节点：那么不能偷其直接子节点，但可以偷"孙子"节点
2. 不偷当前节点：可以偷子节点

我们可以为每个节点返回一个包含两个值的数组：

• 第一个值表示偷当前节点时的最大金额
• 第二个值表示不偷当前节点时的最大金额

python复制def rob(root):
    def dfs(node):
        if not node:
            return (0, 0)
        left = dfs(node.left)
        right = dfs(node.right)
        # 偷当前节点
        rob_val = node.val + left[1] + right[1]
        # 不偷当前节点
        not_rob_val = max(left) + max(right)
        return (rob_val, not_rob_val)
    
    return max(dfs(root))

这种树形DP的思路在处理树结构问题时非常有用，比如二叉树的最大独立集问题也可以用类似方法解决。

4. 动态规划的优化技巧与常见错误

在实际编码实现时，有几个容易踩的坑值得注意：

1. 初始化问题：在基础版打家劫舍中，dp[0]和dp[1]需要正确初始化。dp[0]就是nums[0]，dp[1]则是max(nums[0], nums[1])。错误的初始化会导致后续计算全部出错。

2. 空间优化陷阱：当我们用两个变量代替dp数组时，要注意更新顺序。错误的更新顺序会导致新值覆盖了还需要使用的旧值。

3. 树形DP的递归深度：对于极端不平衡的树，递归实现可能导致栈溢出。这时可以考虑用迭代式的后序遍历，或者使用显式栈来模拟递归。

4. 状态定义混淆：在树形DP中，容易混淆"偷当前节点"和"不偷当前节点"的状态转移。清晰的注释和变量命名能帮助避免这类错误。

一个实用的调试技巧是打印出关键状态值。例如在树形DP中，可以在递归函数返回前打印当前节点的值和对应的状态元组，这样能直观地看到计算过程是否正确。

5. 从打家劫舍到动态规划思维

打家劫舍系列问题之所以经典，是因为它们完美展示了动态规划的核心思想：

1. 最优子结构：问题的最优解包含子问题的最优解。偷不偷当前房屋/节点的决策依赖于子问题的最优解。

2. 重叠子问题：不同决策路径会重复计算相同的子问题。通过记忆化或制表法可以避免重复计算。

3. 状态定义：如何定义状态是解决DP问题的关键。好的状态定义应该能够完整描述问题的子结构，并且能够推导出状态转移方程。

掌握这些核心思想后，可以将其应用到更复杂的问题上。比如股票买卖系列问题、背包问题等，都可以用类似的思维方式来解决。

6. 算法竞赛中的实战技巧

在编程比赛或面试中遇到动态规划问题时，可以按照以下步骤系统性地解决：

1. 暴力解法分析：先思考暴力解法的时间复杂度，这能帮助你理解问题的复杂度来源。

2. 识别子问题：寻找问题是否可以分解为相似的子问题，这是DP适用的前提。

3. 定义状态：用数学表达式明确表示子问题的解，这是最难也是最重要的步骤。

4. 状态转移方程：找出不同状态之间的关系，这是DP的核心。

5. 边界条件：确定最简单子问题的解，这是递归的终止条件。

6. 实现方式选择：决定使用自顶向下的记忆化递归还是自底向上的迭代方法。

7. 空间优化：观察是否可以减少空间复杂度，比如用滚动数组或几个变量代替整个DP表。

在实际比赛中，我习惯先用记忆化递归写出可读性高的解法，确保正确性后再考虑优化为迭代形式。这样能避免在紧张的比赛环境中因优化过早而引入错误。

7. 动态规划的进阶应用

掌握了打家劫舍系列问题后，可以尝试以下进阶题目来巩固动态规划技能：

1. 股票买卖问题：121题（买卖一次）、122题（无限次交易）、123题（最多两次）、188题（最多k次）、309题（含冷冻期）、714题（含手续费）等系列问题，展现了状态机型的DP解法。

2. 背包问题：01背包、完全背包、多重背包等经典问题，以及它们的变种如分割等和子集（416题）、目标和（494题）等。

3. 字符串DP：最长公共子序列（1143题）、编辑距离（72题）、正则表达式匹配（10题）等展示了DP在字符串处理中的应用。

4. 区间DP：最长回文子串（5题）、戳气球（312题）、石子游戏（877题）等需要从小区间推导大区间的DP问题。

这些问题的解决思路虽然各不相同，但核心都是识别子问题、定义状态、建立状态转移方程。打家劫舍系列作为入门问题，为理解这些更复杂的DP问题奠定了坚实基础。

在解决这些问题的过程中，我逐渐养成了分析问题的新习惯：不再急于编码，而是先在纸上画出状态转移图，明确每个状态的含义和转移条件。这种方法虽然前期花费时间较多，但能显著减少调试时间，整体效率反而更高。