动态规划详解（二）：从暴力递归到动态规划的完整优化之路

一、什么是动态规划？—— 从人类直觉到算法思维

二、暴力递归：最直观的问题分解方式

1. 示例：斐波那契数列

2. 递归树分析（以n=5为例）

3. 问题暴露

三、第一次优化：记忆化搜索（Memoization）

1. 核心思想

2. 斐波那契优化实现

3. 复杂度分析

四、第二次进化：自底向上动态规划

1. 思维转变

2. 斐波那契DP实现

3. 空间优化（滚动数组）

五、经典案例：爬楼梯问题（LeetCode 70）

1. 问题描述

2. 暴力递归解法

3. DP优化实现

4. 状态转移方程推导

六、高阶案例：0-1背包问题

1. 问题描述

2. 暴力递归解法

3. 记忆化搜索优化

4. 动态规划终极形态

5. 空间压缩技巧（滚动数组）

七、动态规划解题方法论总结

1. 五步法流程

2. 优化路线图

3. 常见问题处理技巧

八、实战练习建议

一、什么是动态规划？—— 从人类直觉到算法思维

动态规划（Dynamic Programming, DP） 本质是一种通过"聪明的穷举"解决问题的思想。它的核心是发现重叠子问题和最优子结构，并通过存储中间结果避免重复计算。我们可以通过一个认知升级路线来理解它：

暴力递归 → 发现重复计算 → 记忆化搜索 → 推导状态转移 → 自底向上动态规划

二、暴力递归：最直观的问题分解方式

1. 示例：斐波那契数列

// 经典递归实现
public int fib(int n) {if (n <= 1) return n;return fib(n-1) + fib(n-2);
}

2. 递归树分析（以n=5为例）

　　　　 fib(5)/　　　\fib(4)　　 fib(3)/　　\　　 /　　\
fib(3) fib(2) fib(2) fib(1)
...（继续展开）...

3. 问题暴露

重复计算：fib(3)计算2次，fib(2)计算3次

指数级复杂度：O(2^n) 时间复杂度，O(n) 栈空间

三、第一次优化：记忆化搜索（Memoization）

1. 核心思想

空间换时间：使用数组/HashMap存储已计算结果
剪枝优化：计算前先查询存储结构

2. 斐波那契优化实现

public int fibMemo(int n) {int[] memo = new int[n+1];Arrays.fill(memo, -1);return dfs(n, memo);
}private int dfs(int n, int[] memo) {if (n <= 1) return n;if (memo[n] != -1) return memo[n];memo[n] = dfs(n-1, memo) + dfs(n-2, memo);return memo[n];
}

3. 复杂度分析

时间复杂度：O(n) —— 每个子问题只计算一次

空间复杂度：O(n) 递归栈 + O(n) 存储空间

四、第二次进化：自底向上动态规划

1. 思维转变

递归（自顶向下） → 迭代（自底向上）

2. 斐波那契DP实现

public int fibDP(int n) {if (n <= 1) return n;int[] dp = new int[n+1];dp[0] = 0;dp[1] = 1;for (int i = 2; i <= n; i++) {dp[i] = dp[i-1] + dp[i-2]; // 状态转移方程}return dp[n];
}

3. 空间优化（滚动数组）

public int fibOpt(int n) {if (n <= 1) return n;int prev = 0, curr = 1;for (int i = 2; i <= n; i++) {int sum = prev + curr;prev = curr;curr = sum;}return curr;
}

五、经典案例：爬楼梯问题（LeetCode 70）

1. 问题描述

每次可以爬1或2个台阶，求到达第n阶的不同方法数

2. 暴力递归解法

public int climbStairs(int n) {if (n == 1) return 1;if (n == 2) return 2;return climbStairs(n-1) + climbStairs(n-2);
}

3. DP优化实现

public int climbStairsDP(int n) {if (n <= 2) return n;int[] dp = new int[n+1];dp[1] = 1;dp[2] = 2;for (int i = 3; i <= n; i++) {dp[i] = dp[i-1] + dp[i-2];}return dp[n];
}

4. 状态转移方程推导

dp[i] = dp[i-1] + dp[i-2]
解释：到达第i阶的方法数 = 从i-1阶上1步 + 从i-2阶上2步

六、高阶案例：0-1背包问题

1. 问题描述

给定物品重量w[]和价值v[]，背包容量C，求最大价值

2. 暴力递归解法

public int knapsack(int[] w, int[] v, int C) {return dfs(w, v, w.length-1, C);
}private int dfs(int[] w, int[] v, int index, int cap) {if (index < 0 || cap <= 0) return 0;// 不选当前物品int no = dfs(w, v, index-1, cap);// 选当前物品（前提：容量足够）int yes = cap >= w[index] ? dfs(w, v, index-1, cap - w[index]) + v[index] : 0;return Math.max(no, yes);
}

3. 记忆化搜索优化

public int knapsackMemo(int[] w, int[] v, int C) {int n = w.length;int[][] memo = new int[n][C+1];return dfs(w, v, n-1, C, memo);
}private int dfs(int[] w, int[] v, int index, int cap, int[][] memo) {if (index < 0 || cap <= 0) return 0;if (memo[index][cap] != 0) return memo[index][cap];int no = dfs(w, v, index-1, cap, memo);int yes = cap >= w[index] ? dfs(w, v, index-1, cap - w[index], memo) + v[index] : 0;memo[index][cap] = Math.max(no, yes);return memo[index][cap];
}

4. 动态规划终极形态

public int knapsackDP(int[] w, int[] v, int C) {int n = w.length;int[][] dp = new int[n+1][C+1];for (int i = 1; i <= n; i++) {for (int j = 1; j <= C; j++) {if (j < w[i-1]) {dp[i][j] = dp[i-1][j]; // 装不下} else {dp[i][j] = Math.max(dp[i-1][j], dp[i-1][j - w[i-1]] + v[i-1]);}}}return dp[n][C];
}

5. 空间压缩技巧（滚动数组）

public int knapsackOpt(int[] w, int[] v, int C) {int[] dp = new int[C+1];for (int i = 0; i < w.length; i++) {for (int j = C; j >= w[i]; j--) { // 必须倒序遍历dp[j] = Math.max(dp[j], dp[j - w[i]] + v[i]);}}return dp[C];
}