动态规划算法精要解析与LeetCode实战指南

1. 动态规划算法精要解析

动态规划（Dynamic Programming）作为算法领域的核心方法论，在LeetCode Hot 100等高频题库中占比超过30%。我第一次系统刷Hot 100时，花了整整两周时间才突破动态规划题型，后来总结出这套可复用的解题框架。

动态规划本质上是通过"空间换时间"来优化递归问题的解法。其核心特征包含重叠子问题和最优子结构——前者指问题可分解为重复计算的子问题，后者意味全局最优解可由局部最优解组合得到。以经典的爬楼梯问题为例，要到达第n阶，要么从n-1阶跨一步，要么从n-2阶跨两步，因此递推公式为f(n)=f(n-1)+f(n-2)。

关键认知：动态规划不是具体算法，而是方法论框架，包含自顶向下（记忆化递归）和自底向上（迭代填表）两种实现范式。

1.1 动态规划三大要素

1. 状态定义：明确dp数组的含义。比如背包问题中dp[i][j]表示考虑前i件物品在容量j时的最大价值
2. 状态转移方程：确定状态间的递推关系。如股票问题中：

   python复制dp[i][0] = max(dp[i-1][0], dp[i-1][1] + prices[i]) # 第i天不持股
   dp[i][1] = max(dp[i-1][1], dp[i-1][0] - prices[i]) # 第i天持股
   

3. 边界条件：初始化基础状态。例如编辑距离问题中dp[0][j]=j（全插入操作）

1.2 Hot 100经典题型分类

2. 动态规划解题四步法

2.1 问题拆解阶段

以Hot 100第70题爬楼梯为例：

1. 暴力递归解法存在O(2^n)时间复杂度
2. 观察发现f(5)=f(4)+f(3)，存在重复计算
3. 符合动态规划适用条件

2.2 状态定义技巧

对于二维DP问题，我常用这两种定义方式：

• 序列型：dp[i]表示前i个元素的最优解（如LIS问题）
• 区间型：dp[i][j]表示区间i到j的最优解（如石子合并问题）

避坑指南：状态定义要包含足够信息来推导下一个状态，但避免过度设计。比如股票问题引入交易次数维度时，k>n/2时可优化为无限次。

2.3 状态转移方程推导

举例Hot 100第322题零钱兑换：

python复制def coinChange(coins, amount):
    dp = [float('inf')] * (amount + 1)
    dp[0] = 0
    for coin in coins:
        for i in range(coin, amount + 1):
            dp[i] = min(dp[i], dp[i - coin] + 1)
    return dp[amount] if dp[amount] != float('inf') else -1

这里的状态转移体现完全背包思想：dp[i] = min(dp[i], dp[i-coin]+1)

2.4 空间优化策略

当状态转移只依赖有限前驱状态时，可压缩DP表：

1. 滚动数组：斐波那契数列只需维护前两个状态
2. 降维打击：01背包问题可将二维dp优化为一维
3. 状态复用：有些问题可以用变量替代数组（如股票问题）

3. Hot 100高频题型精讲

3.1 序列问题专题

最长递增子序列(LIS)

• 标准解法O(n^2)：dp[i]表示以nums[i]结尾的LIS长度
• 优化解法O(nlogn)：维护tails数组+二分查找

编辑距离问题

python复制def minDistance(word1, word2):
    m, n = len(word1), len(word2)
    dp = [[0]*(n+1) for _ in range(m+1)]
    for i in range(m+1): dp[i][0] = i
    for j in range(n+1): dp[0][j] = j
    for i in range(1, m+1):
        for j in range(1, n+1):
            if word1[i-1] == word2[j-1]:
                dp[i][j] = dp[i-1][j-1]
            else:
                dp[i][j] = 1 + min(dp[i-1][j], dp[i][j-1], dp[i-1][j-1])
    return dp[m][n]

3.2 背包问题实战

01背包模板

python复制def knapsack(W, wt, val):
    n = len(wt)
    dp = [[0]*(W+1) for _ in range(n+1)]
    for i in range(1, n+1):
        for w in range(1, W+1):
            if wt[i-1] <= w:
                dp[i][w] = max(val[i-1] + dp[i-1][w-wt[i-1]], dp[i-1][w])
            else:
                dp[i][w] = dp[i-1][w]
    return dp[n][W]

完全背包变式

• 零钱兑换问题（求最少硬币数）
• 组合总和IV（求排列数）

4. 动态规划调试技巧

4.1 常见错误排查

1. 初始化错误：边界条件未正确处理

   • 示例：在打家劫舍问题中忘记初始化dp[0]=nums[0], dp[1]=max(nums[0],nums[1])

2. 状态转移遗漏：未考虑所有可能转移路径

   • 比如在股票问题中忘记冷冻期状态

3. 维度错乱：二维DP行列定义混淆

   • 建议在代码中添加注释说明dp[i][j]含义

4.2 可视化调试法

对于复杂DP问题，我习惯：

1. 打印DP表观察填充过程
2. 用Excel手动模拟小规模案例
3. 绘制状态转移图理清关系

例如解决Hot 100第72题编辑距离时，可以打印出如下DP表：

code复制   Ø a b c d
Ø 0 1 2 3 4
a 1 0 1 2 3
b 2 1 0 1 2
c 3 2 1 0 1

4.3 时间复杂度优化

当遇到TLE时考虑：

1. 状态定义是否冗余（如股票问题中的k维度优化）
2. 能否用单调队列/栈优化（如滑动窗口最大值）
3. 数学规律剪枝（如整数拆分问题）

5. 动态规划进阶路线

5.1 从Hot 100到竞赛难度

建议刷题顺序：

1. 基础线性DP（斐波那契、爬楼梯）
2. 经典背包问题（01背包、完全背包）
3. 区间DP（石子合并、多边形三角剖分）
4. 状态压缩DP（旅行商问题）
5. 数位DP（数字1的个数）

5.2 竞赛级优化技巧

1. 斜率优化：将转移方程转化为y=kx+b形式
2. 四边形不等式：优化区间DP决策单调性
3. 插头DP：处理网格图上的连通性问题

我在训练中发现，掌握动态规划的关键在于：

• 至少亲手推导20道经典问题的状态转移方程
• 对同一问题尝试不同状态定义（如背包问题的两种维度顺序）
• 建立自己的错题本，记录非常规的状态转移思路