动态规划roadmap
动态规划适于求解最优问题，如求最大值、最小值等。可显著降低时间复杂度，提高代码的执行效率。
难点和递归类似，求解问题的过程不太符合人类常规思维。
- 本文会先通过两个非常经典的动态规划问题模型，展示动态规划存在的意义及动态规划解法是如何演化的，学会后即可举一反三。
- 《动态规划理论》，我会总结动态规划适合解决的问题的特征，以及动态规划解题思路。除此之外，我还会将贪心、分治、回溯、动态规划这四种算法思想放在一起，对比分析它们各自的特点以及适用的场景
- 《动态规划实战》，我会教你应用第二节讲的动态规划理论知识，实战解决三个非常经典的动态规划问题，加深你对理论的理解
经典案例
0-1背包
不同重量、不可分割的物品，选择一些装入背包。
在满足背包最大重量限制的前提下，求背包中物品总重量的max？
可用回溯穷举搜索所有可能的装法，然后找出最大值。但回溯算法时间复杂度太高，为指数级：
假设：
- 背包最大承载重量9
- 有5个不同物品
- 每个物品重量2，2，4，6，3
回溯求解过程，用递归树：
每个节点表示一种状态（i, cw），如（2，2）决策第2个物品是否装入背包，在决策前，背包中物品的总重量是2。发现有些子问题求解重复，如f(2, 2)和f(3,4)都被重复计算两次。
可借助“备忘录”，记录已计算好的f(i, cw)，当再次计算到重复的f(i, cw)的时候，直接从备忘录中取出来用，避免冗余计算。
跟动态规划的执行效率基本无差。
把整个求解过程分为n个阶段：
- 每个阶段会决策一个物品是否放到背包中
- 每个物品决策（放入或者不放入背包）完后，背包中的物品的重量会有多种情况，即会达到多种不同的状态，对应到递归树中，就是不同节点。
把每层重复的状态（节点）合并，只记录不同状态，然后基于上一层状态集合，推导下一层状态集合。可通过合并每一层重复状态，保证每层不同状态的个数都不会超过w个（w表示背包的承载重量）。这就避免每层状态个数的指数级增长。
二维数组states[n][w+1]，记录每层可达到的不同状态：
- 第0个物品的重量是2，决策完后，对应背包两种状态，背包物品总重量0或2，即
states[0][0]=true和states[0][2]=true - 第1个物品的重量也是2，基于之前背包状态，在这个物品决策完后，不同状态有3个，背包中物品总重量分别是0(0+0)，2(0+2 or 2+0)，4(2+2)，即
states[1][0]=true，states[1][2]=true，states[1][4]=true - 考察完所有物品后，states状态数组计算完毕
0表false，1表true，只需在最后一层，找一个值为true的最接近w（这里是9）的值，即背包中物品总重量的最大值。
动态规划这个名字的由来：把问题分解为多个阶段，每个阶段对应一个决策。记录每个阶段可达的状态集合（去掉重复的），然后通过当前阶段的状态集合，推导下一个阶段的状态集合，动态地往前推进。
回溯算法解决这个问题时间复杂度，那动态规划呢？
耗时最多就是代码中的两层for循环，所以时间复杂度。
理论上，指数级肯定要比O(n*w)高很多，如有10000个物品，重量分布1~15000，背包可承载总重量30000：
- 回溯算法解决，用具体的数值表示出时间复杂度，就是 2^10000
- 动态规划解决
动态规划执行效率较高，但需额外申请一个二维数组，空间消耗较多。空间换时间。
实际上，只需一个大小为
的一维数组。
0-1背包升级
引入物品价值。
对一组不同重量、不同价值、不可分割的物品，选择某些物品装入背包，在满足背包最大重量限制的前提下，背包中可装入物品的总价值最大是多少呢？
依旧可回溯：
递归树中，每个节点表示一个状态。现在需3个变量（counter, currentWeight, currentValue）表示一个状态。
有几个节点的counter和currentWeight完全相同，如f(2,2,4)和f(2,2,3)。
背包物品总重量一样，f(2,2,4)这种状态对应物品总价值更大，可舍弃f(2,2,3)这种状态，只需沿着f(2,2,4)继续往下决策。
即对于(counter, currentWeight)相同的不同状态，只需保留cv最大的继续递归处理。
用回溯算法，就没法再用“备忘录”了。需换思路，动态规划是不是可以呢？
把整个求解过程分为n个阶段：
- 每个阶段会决策一个物品是否放到背包中
- 每个阶段决策完后，背包中的物品的总重量以及总价值，会有多种情况，即会达到多种不同的状态
用一个二维数组states[n][w+1]，记录每层可达到的不同状态，当前状态对应最大总价值。
每层中(i, cw)重复的状态（节点）合并，只记录cv值最大的状态，然后基于这些状态来推导下一层的状态。
- 时间复杂度是O(nw)
- 空间复杂度也是O(nw)
空间复杂度也可优化
应对满减
凡电商，必有促销，如双十一最常见的“满200元减30元”促销活动。
现假设你的购物车有n个商品，希望从中选几个天命物品，凑足满减条件前提下，让选出的商品价格总和最大程度接近满减条件（200元），极限省钱。
要高效解决此类问题，就需动态规划（Dynamic Programming）。
类似0-1背包，只是“重量”换成了“价格”。
购物车中有n个商品。针对每个商品都决策是否购买。每次决策之后，对应不同的状态集合。
用一个二维数组states[n][x]，记录每次决策之后所有可达的状态。
0-1背包找的是≤w的最大值，x就是背包的最大承载重量w+1。
现在要找的是≥200（满减条件）的值中最小的，所以不能设置为200+1。
若要购买的物品的总价格超过200太多，如1000，那这个羊毛“薅”得就没有太大意义了，可限定x值为1001。
不过，这个问题不仅要求≥200的总价格中的最小的，还要找出这个最小总价格对应都要购买哪些商品。可利用states数组，倒推出这个被选择的商品序列。
重点看后半部分，如何打印出选择购买哪些商品呢？
状态(i, j)只可能从
-
(i-1, j)states[i-1][j]==true，可达，说明没有购买第i个商品 - 或
(i-1, j-value[i])states[i-1][j-value[i]]==true，说明购买了第i个商品。从中选择一个可达的状态（如果两个都可达，就随意选择一个），然后，继续迭代地考察其他商品是否有选择购买。