目录
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];
}七、动态规划解题方法论总结
1. 五步法流程
-
定义状态：明确dp数组的含义
-
推导转移方程：分析状态间的关系
-
初始化：设置边界条件
-
确定遍历顺序：保证前置状态已计算
-
输出结果：从dp数组中提取答案
2. 优化路线图
3. 常见问题处理技巧
-
边界条件处理：增加虚拟头节点（如dp[0]）
-
路径记录：使用额外数组保存选择路径
-
维度压缩：滚动数组、位运算优化
八、实战练习建议
-
基础练习
-
LeetCode 70. 爬楼梯（空间优化）
-
LeetCode 118. 杨辉三角（二维DP）
-
-
进阶挑战
-
LeetCode 322. 零钱兑换（完全背包）
-
LeetCode 1143. 最长公共子序列（二维字符串DP）
-
掌握动态规划的关键在于将递归思维转化为状态转移思维。建议从简单问题入手，逐步体会"重叠子问题"的特征，最终达到看到问题就能自然拆分状态的境界。