打家劫舍算法：动态规划思路与实现解析

打家劫舍算法：动态规划思路与实现解析

在算法的世界里，“打家劫舍”是一道经典的动态规划题目，它以巧妙的逻辑和实用的场景，让我们能深入体会动态规划思想如何解决实际问题。接下来，我们将全面剖析这一算法，从解题思路梳理，到代码实现，再到对算法结构和优点的解读，带你掌握解决这类问题的关键 。

一、题目理解与需求分析

（一）题目描述

你是个专业小偷，计划偷窃沿街房屋，每间房有一定现金。但相邻房屋装有防盗系统，若相邻房屋同一晚被闯入就会报警。给定代表每个房屋现金金额的非负整数数组，要计算不触动警报时，一夜能偷窃到的最高金额。比如数组 [1,2,3,1] ，最高金额是 4（偷第 1、3 间房 ）；数组 [2,7,9,3,1] ，最高金额是 12（偷第 1、3、5 间房 ） 。

（二）核心矛盾提炼

• 选择矛盾：对于每个房屋，有两种选择——偷或者不偷。但如果偷当前房屋，就不能偷相邻的前一个房屋；如果不偷，那最高金额就取决于前面房屋能偷到的最高值。
• 最优子结构：整个问题的最优解（偷完所有房屋能得到的最高金额 ），依赖于其子问题的最优解（前 n - 1 个房屋、前 n - 2 个房屋等能偷到的最高金额 ）。

二、解题思路：动态规划的应用

（一）状态定义

我们定义 dp[i] 表示偷窃到第 i 个房屋时，能得到的最高金额。这样就把原问题拆解成了一个个子问题，通过求解子问题的最优解来得到原问题的最优解。

（二）状态转移方程推导

对于第 i 个房屋，有两种情况：

• 偷第 i 个房屋：那么第 i - 1 个房屋就不能偷，此时最高金额是 dp[i - 2] + nums[i]（dp[i - 2] 是前 i - 2 个房屋能偷到的最高金额，加上当前房屋的金额 nums[i] ）。
• 不偷第 i 个房屋：此时最高金额就等于 dp[i - 1]（即前 i - 1 个房屋能偷到的最高金额 ）。

所以，状态转移方程为：dp[i] = max(dp[i - 1], dp[i - 2] + nums[i]) 。

（三）初始条件确定

• 当只有 1 个房屋（i = 0 ）时，显然 dp[0] = nums[0] ，因为只能偷这一个房屋。
• 当有 2 个房屋（i = 1 ）时，要选金额较大的那个房屋偷，所以 dp[1] = max(nums[0], nums[1]) 。

（四）遍历求解

从前往后遍历房屋数组，根据状态转移方程依次计算 dp[i] 的值，直到遍历完所有房屋，最后 dp[n - 1]（n 是房屋数量 ）就是我们要求的最高金额。

举个简单例子，看数组 [1,2,3,1] ：

1. 初始化 dp[0] = 1，dp[1] = max(1, 2) = 2 。
2. 计算 i = 2（对应金额 3 ）时，dp[2] = max(dp[1], dp[0] + 3) = max(2, 1 + 3) = 4 。
3. 计算 i = 3（对应金额 1 ）时，dp[3] = max(dp[2], dp[1] + 1) = max(4, 2 + 1) = 4 。最终得到最高金额是 4 ，和题目示例结果一致。

三、代码示例（Python 实现）

def rob(nums):
    n = len