动态规划：计算技术中的核心【精确与效率并存】

写在前面

博客来源：翻译自youtube高赞技术视频，并精加工和细化。

适合阅读：想要搞懂动态规划的小伙伴~

动态规划是一项杰出的计算技术，它既保留了穷举法的精确性，又吸收了贪心算法的高效率。

它主要应用于两个领域：

• 一是寻找问题的最优解，比如计算某个问题的最小值或最大值；
• 二是计算问题可能的解的总数。

尽管动态规划能够处理的问题类型远不止这些，但这两种情况是最典型的。

动态规划的起源

动态规划技术由理查德·贝尔曼在20世纪50年代提出，其名称虽然听起来有些奇特，但背后有着一段趣闻——贝尔曼为了掩盖自己正在进行的数学研究，特意选用了这样一个含糊的术语，以此来规避当时对“研究”一词抱有极度恐惧和厌恶情绪的华盛顿国防部长。

面试题中很常见

动态规划在众多面试题中频繁出现，常被视为一个颇具挑战性的主题。然而，一旦你掌握了它的基础原理并解决了一定数量的问题，你将变得擅长解决这类问题，甚至可能爱上它们。

动态规划的精髓在于，识别并解决所有子问题（如下图所展示）。虽然总体思路并不复杂，但有时识别出需要解决的具体问题却颇具难度。

幸运的是，人类大脑擅长模式识别，因此，随着解决的问题数量增加，我们会越来越快地识别出需要解决的子问题。

在本文，我们将从基础出发，探讨四个问题。

1. 斐波那契数列问题：如何高效地计算第n个斐波那契数，避免递归方法中的重复计算问题。
2. 最少硬币问题：给定不同面额的硬币和目标金额，如何找出组成目标金额所需的最少硬币数量。
3. 硬币组合问题：不同于最少硬币问题，这个变体要求计算组成给定总和的不同硬币组合方式的总数。
4. 兔子在网格中的路径问题：在一个N乘以M的网格中，兔子只能向下或向右移动，需要计算兔子从左上角到右下角的所有可能路径数量。

下一篇博客，我们还会进一步深入探讨更多的动态规划问题，请大家关注/点赞/收藏一下本博客，谢谢。

动态规划基础：斐波那契数列

让我们从一个经典的斐波那契数列问题开始。假如，我们希望编写一个名为Fib的函数，它能够返回第n个斐波那契数。

斐波那契数列的前两个数字都是1，每个后续数字都是前两个数字的和。
例如，第六个斐波那契数是8，它是前两个数字3和5的和。

我们首先尝试用递归的方法来解决这个问题。在递归的逻辑中，我们定义了两个基本情况：

情况1：当n为1或2时，函数直接返回1。
情况2：对于其他的n值，函数则返回第n-1个和第n-2个斐波那契数的和。

当我们尝试计算第七个斐波那契数时，结果是13，看起来一切正常。然而，一旦我们尝试计算第50个斐波那契数，程序的运行速度就会变得极其缓慢。因此，这种方法虽然简洁，但它的性能却存在明显的问题。

递归问题

让我们通过可视化这个函数的执行过程，来理解其中的原因。

要计算Fib(5)，我们需要先计算Fib(4)。要计算Fib(4)，我们又需要计算Fib(3)。

要计算Fib(3)，我们又需要计算Fib(2)。最后，由于Fib(2)是基本情况之一，所以返回1。

我们继续计算Fib(3)，这需要Fib(1），那也是1。最终，我们可以说Fib(3)是2。

我们回到计算Fib(4)，现在我们再次需要Fib(2)，我们知道这是1，所以Fib(4)现在是2+1=3。

现在我们回到计算Fib(5)，我们需要知道Fib(3)。要计算Fib(3)，我们再次经历相同的过程。所以我们需要Fib(2)和Fib(1)。

现在，我们可以将这些加起来得到2。最后，我们可以计算Fib(5)，结果是5。

正如你看到的，这是一个非常漫长的过程，为了得到Fib(5)的结果，需要大量的迭代。

你能告诉我这个函数的时间复杂度是多少吗？

时间复杂度

在讨论这个函数的时间复杂度时，我们可以假设所处理的数字相对较小，这样可以使得加法操作的执行速度非常快。

这个假设的目的是为了简化分析，因为我们主要关注的是算法在输入规模增加时的性能表现，而不是具体数字的大小对运行时间的影响。

假设运行时间是T(n)，即T(n-1)加上T(n-2)加上O(1)。