第三章 最低通行费

首先需要明确题目的一个核心隐藏条件：商人必须在 (2N-1) 个单位时间穿越出去。从左上角 (1,1) 到右下角 (N,N)，如果只能向右或向下走，恰好需要走 (N-1) + (N-1) 步（移动次数），加上起点和终点，正好经历 2N-1 个方格。因此，这个时间限制实际上等价于：商人只能向右或向下移动，不能走回头路。
以下是具体的动态规划法求解步骤分析：
1.1 最优子结构性质与递归方程式
状态定义：
设 dp[i][j] 表示从网格左上角 (1,1) 走到网格中第 i 行第 j 列 (i,j) 位置时，所需花费的最低通行费。
2. 最优子结构性质：
到达网格中任意一个位置 (i,j)，只有两种可能：从正上方的 (i-1,j) 走下来，或者从左方的 (i,j-1) 走过来。因此，原问题的最优解必然包含其子问题的最优解。即走到 (i,j) 的最低费用，是由走到 (i-1,j) 或 (i,j-1) 的最低费用加上 (i,j) 本身的费用构成的。
3. 递归方程式：
当 i > 1 且 j > 1 时：
dp[i][j] = min(dp[i-1][j], dp[i][j-1]) + cost[i][j]
(其中 cost[i][j] 表示进入该方格需要缴纳的费用)
4. 边界条件：
起点：dp[1][1] = cost[1][1] （一开始就处于左上角，必须缴纳该方格费用）。
第一行 (i=1, j>1)：只能从左边走过来。
dp[1][j] = dp[1][j-1] + cost[1][j]
第一列 (j=1, i>1)：只能从上边走过来。
dp[i][1] = dp[i-1][1] + cost[i][1]
1.2 填表法分析
表的维度：需要一个二维数组（二维表）dp，维度大小为 N × N （如果为了方便处理边界采用 1-based 索引，可以定义为 (N+1) × (N+1)）。
填表范围：对于 1 <= i <= N 和 1 <= j <= N 的所有格子都要填。
填表顺序：从上到下，从左到右（即外层循环 i 从 1 到 N，内层循环 j 从 1 到 N）。
理由：根据递归方程式，计算 dp[i][j] 依赖于其上方 dp[i-1][j] 和左方 dp[i][j-1] 的值。按行优先遍历可以保证在计算当前格子时，其上方和左方的子问题都已经被计算完毕。
原问题的最优值：整个二维表右下角的元素，即 dp[N][N]。
时间复杂度：O(N^2)
算法使用了两层嵌套循环遍历 N × N 的网格，每次状态转移（比较上方和左方并相加）只需常数时间 O(1)，因此总时间复杂度为 O(N^2)。对于 N < 100 的数据规模，完全可以在题目要求的时限内运行完毕。
空间复杂度：O(N^2)
需要一个大小为 N × N 的二维数组来存储所有的状态值。
(进阶优化：由于 dp[i][j] 只依赖于当前行的左边和上一行的正上方，我们可以使用滚动数组将空间复杂度优化至 O(N)。即只维护一个一维数组，每次更新时 dp[j] = min(dp[j], dp[j-1]) + cost[i][j] 。当然，对于本题 N<100 的数据规模，直接使用二维数组更易于理解和实现。)
对动态规划算法的理解和体会
动态规划本质上是一种“以空间换时间”的算法思想。通过分析这道题，我有了以下几点深刻的体会：
化繁为简，全局最优依赖于局部最优：DP 的核心在于寻找“最优子结构”。面对庞大复杂的问题，不要试图一步登天，而是去想“我现在的这一步是怎么从前面走过来的”。找准了状态转移方程，问题就迎刃而解。
“记忆化”是精髓：传统的暴力递归（如DFS）在这类问题中会产生大量的重叠子问题（同一个格子会被计算多次）。DP 填表法的本质就是建立一个备忘录，把算过的结果存起来，下次用到直接查表，极大地提升了效率。
边界条件极其关键：在写代码时，最容易出错的地方往往不是状态转移方程，而是边界（如第一行和第一列的处理）。必须明确“初始化状态”，这是递推的起点。