动态规划算法（DP）初步讲解

动态规划算法（DP）初步讲解

1. 动态规划是什么？

动态规划（Dynamic Programming，简称 DP）是一种经典且核心的算法优化思想，并非固定不变的代码模板，专门用于求解具有重复子问题和最优子结构的最优化问题，是算法竞赛、计算机考研、软件开发刷题中必备的核心算法能力。

很多复杂的计数、求最值、求最优方案问题，用普通暴力枚举、单纯递归求解会出现计算量爆炸、运行超时、逻辑冗余等问题，而动态规划就是专门解决这类痛点的最优解法。

核心一句话精准概括：

把一个难以直接求解的复杂大问题，逐层拆解为多个规模更小、结构相同、会重复出现的简单子问题；所有子问题只计算一次，计算完成后将结果存储起来，后续遇到相同子问题直接调取已存答案，无需重复计算，以少量内存空间为代价，换取算法运行时间的大幅缩减，最终通过子问题的最优解推导出原大问题的全局最优解。

💡 三种常见解题方式全方位深度对比：

• 暴力枚举法：穷尽问题所有可能的情况，逐一计算筛选答案。缺点是不做任何问题拆解和结果留存，无论子问题是否重复都反复计算，时间复杂度极高，数据规模稍大就会直接超时，仅能适配极小数据量的简单问题。

• 普通递归解法：遵循自上而下的思路，将大问题自动拆分子问题，但没有任何结果存储机制，相同子问题会被递归函数反复调用、重复计算，时间复杂度呈指数级增长，数据规模稍大就会出现运算超时、程序卡顿甚至递归栈溢出问题。

• 动态规划解法：兼顾问题拆解和结果存储两大核心，拆分逻辑和递归思路一致，但新增子问题结果缓存机制，每个子问题严格只计算一次，后续重复使用直接查表调取，时间复杂度大幅优化至线性或平方级别，适配绝大多数最优解、计数类算法问题，稳定性和效率远超前两种方式。

---

2. 动态规划必须满足的两个核心适用条件

并非所有算法问题都能使用动态规划求解，一个问题想要用DP解法，必须同时满足以下两个硬性核心条件，缺一不可，这也是判断能否用DP解题的第一步，做题前优先判断，避免盲目套用DP模板白费功夫。

条件一：重叠子问题

重叠子问题指的是：将原始复杂大问题不断拆解为若干底层子问题后，多个不同的上级大问题，会重复调用、依赖同一个底层子问题的计算结果，子问题具备高频重复出现的特性。

如果一个问题拆解后的所有子问题都是独一无二、仅需计算一次的，就不存在重复计算的冗余，无需使用动态规划，普通递归求解即可。只有子问题大量重叠重复，DP的“存结果、免重算”优化价值才能体现。

经典典型举例：求解斐波那契数列第n项数值，计算f(5)需要f(4)和f(3)，计算f(4)需要f(3)和f(2)，其中子问题f(3)会被反复调用计算几十上百次，这就是典型的重叠子问题，用普通递归会重复无效计算，用DP存储结果就能直接规避冗余。

条件二：最优子结构

最优子结构指的是：原始整个复杂大问题的全局最优解，不需要额外特殊调整，完全可以由它拆解出来的所有子问题的局部最优解，直接简单组合、递推推导得出。

简单通俗解读：局部最优能够直接叠加推导全局最优，子问题的最优状态就是构建大问题最优状态的核心基石，不存在子问题最优但大问题不最优的特殊情况。

经典典型举例：网格最短路径问题，从起点走到终点的全局最短路径，一定等于走到前一个相邻网格点的局部最短路径，加上当前这一步的固定行走距离，只要每个子路段保持最短，整体全程必然最短，完美符合最优子结构特性。反之，如果局部最优无法推导全局最优，就不能用DP求解。

---

3. 动态规划四大核心必备要素

无论一维简单DP、二维进阶DP，还是区间DP、状态压缩DP等高阶题型，所有动态规划题目解题的核心核心，全部围绕以下四大要素展开，搞定这四点，任何DP题目都能稳步拆解求解，这也是写作业、答题时必须写明的核心步骤。

① 状态定义

状态定义是动态规划解题的第一步，也是最难的一步。需要我们根据题目所求目标，自主定义一维或二维dp数组，清晰、精准标注dp数组中每一个变量、每一个下标对应的具体实际含义，不能模糊笼统，否则后续转移方程和计算都会全部出错。

常规常用状态定义举例，直观易懂：

• dp\[i\]（一维DP通用）：代表处理前i个目标元素、或走到第i个位置时，对应的最优解、总方案数、最大价值等题目所求目标结果。例如爬楼梯问题中，dp[i]专属定义为爬到第i阶楼梯的所有可行行走方法总数。

• dp\[i\]\[j\]（二维DP通用）：代表仅考虑前i个物品/元素，同时满足j个限制条件（如背包容量、步数、长度等）时，对应的最优目标结果。例如01背包问题中，dp[i][j]专属定义为选取前i件物品，背包最大容量为j时，能够装载的物品最大总价值。

② 状态转移方程

状态转移方程是动态规划的运算核心，简单来说就是数学计算公式，作用是根据已经提前计算完成、存储在dp数组中的前期已知子问题状态，推导计算出当前未知的最新状态结果。

通俗理解核心逻辑：当前dp状态的值，不需要单独复杂计算，直接由前面已经算好的若干个旧dp状态，通过加减、取最大值、取最小值等简单运算组合得出，这个组合运算的公式就是状态转移方程。

③ 初始边界条件

初始边界条件是动态规划中规模最小、无法再继续向下拆分的基础子问题，这类子问题没有前置依赖状态，无法通过转移方程计算得出，必须根据题目实际含义手动提前赋值初始化。

核心两大作用：一是为后续循环递推计算提供基础起点，让DP循环能够正常启动运算；二是有效避免数组下标越界、逻辑计算为空、初始数值错误等问题，是DP计算不出错的关键保障。常见边界情况包括下标为0、数量为0、容量为0、第一个元素等基础初始状态。

④ 最终答案定位

完成所有循环递推计算后，dp数组会存储所有子问题和中间状态的结果，需要根据最初的状态定义，精准确定最终所求的全局大问题答案对应dp数组中的哪一个下标位置的值，直接输出该值即可，切勿选错下标导致解题结果错误。

---

4. 动态规划两种核心实现方式

动态规划的核心思想统一，但代码实现分为两种主流方式，两种方式解题逻辑一致，只是计算顺序不同，分别适配不同场景，考试、刷题、工程开发中优先推荐自底向上迭代循环方式。

方式一：自顶向下（记忆化递归实现）

核心解题思路：完全贴合人脑思考逻辑，从最终需要求解的复杂大问题出发，自上而下不断递归拆分，直到拆解到无法拆分的基础边界子问题；每计算完成一个子问题，就立刻将结果存入数组或哈希表缓存，后续再次需要该子问题结果时，直接调取缓存数据，不再重复递归计算。

• 核心优点：解题思考逻辑简单直观，和日常拆解问题的思维一致，不需要复杂循环设计，上手容易，适合新手理解DP核心思想。

• 核心缺点：依赖编程语言的递归机制，当数据规模过大、递归层数过多时，极易出现递归栈溢出问题，运行效率低于迭代写法，不适合考试刷题和大数据量场景使用。

方式二：自底向上（迭代循环实现）

核心解题思路：和递归思路相反，自下而上逐步计算，先提前算好规模最小、最简单的基础边界子问题，将结果存入dp数组，再按照从小到大的规模顺序，通过循环不断递推计算规模更大的子问题，层层向上推导，最终算出原始复杂大问题的全局最优答案。

• 运行速度最快：全程循环运算，无递归调用开销，运算效率极高。

• 稳定性强：无递归栈溢出风险，适配所有数据规模的DP题目。

• 支持空间优化：可根据转移方程特性，压缩dp数组空间，减少内存占用。

---

5. 入门例题一：爬楼梯

题目描述

有一段一共有n阶的楼梯，某人每次爬楼梯只能选择两种操作：要么一次性爬1阶楼梯，要么一次性爬2阶楼梯。要求计算爬到楼顶第n阶楼梯，一共有多少种不重复的可行行走方法总数。

1）状态定义

严格按照DP规范定义：dp[i] 表示一个人稳稳爬到第 i 阶楼梯时，所有不重复的可行行走方法总数量。

2）规律深度推导逻辑

想要最终成功爬到第 i 阶楼梯，到达当前台阶的最后一步只有且仅有两种合法可能，没有其他任何情况：

1. 第一种可能：前期已经稳稳爬到第 i-1 阶楼梯，最后一步直接爬1阶，即可到达第i阶。

2. 第二种可能：前期已经稳稳爬到第 i-2 阶楼梯，最后一步直接爬2阶，即可到达第i阶。

爬到第i阶的所有方法，就是以上两种前置情况的方法数量直接相加，两种路径互不冲突、没有重叠，累加后就是当前台阶的总方法数。

3）状态转移方程

dp[i] = dp[i-1] + dp[i-2]

4）初始边界条件手动赋值

dp[1] = 1：楼梯只有1阶时，只有唯一1种方法，直接爬1阶即可到达。

dp[2] = 2：楼梯有2阶时，有两种可行方法，分两次各爬1阶、或一次性直接爬2阶。

5）手动填表逐步计算（以n=5为例）

dp[3] = dp[2] + dp[1] = 2 + 1 = 3

dp[4] = dp[3] + dp[2] = 3 + 2 = 5

dp[5] = dp[4] + dp[3] = 5 + 3 = 8

6）最终结果

爬到第 5 阶楼梯，一共存在8种不重复的可行行走方法。

7）完整可运行代码（C++带详细注释）

#include <iostream>
using namespace std;

int main() {
    int n = 5; // 目标楼梯总阶数
    int dp[n + 1]; // 定义DP数组，dp[i]存储爬到第i阶楼梯的方法总数

    // 初始化DP初始边界条件（基础子问题，手动赋值）
    dp[1] = 1; // 1阶楼梯，只有1种爬法
    if (n >= 2) {
        dp[2] = 2; // 2阶楼梯，有2种爬法
    }

    // 自底向上循环递推，从小到大计算每个阶数的方法数
    for (int i = 3; i <= n; i++) {
        dp[i] = dp[i - 1] + dp[i - 2]; // 套用一维DP状态转移方程
    }

    // 输出最终全局最优结果
    cout << "爬到第" << n << "阶楼梯的方法总数：" << dp[n] << endl;
    return 0;
}

---

6. 入门例题二：01背包

题目描述

给定一个固定最大容量的背包，同时提供若干件不同的物品，每件物品具备专属的固定重量和固定价值，每件物品只有两种选择：要么装入背包，要么不装入背包，且每件物品最多只能选一次，不能重复选取。要求合理选择物品装入背包，在不超过背包最大容量的前提下，求出背包能够装载的物品最大总价值。

1）状态定义

严格规范定义：dp\[i\]\[j\] 表示只考虑前 i 件物品可供选择，背包当前最大承载容量为 j 时，背包能够装入物品的最大总价值。

2）每个物品仅有的两种核心选择分析

1. 不选择装入当前第i件物品：当前背包最大价值和不考虑这件物品时的价值一致，直接沿用前i-1件物品、容量j的最优结果，即dp[i][j] = dp[i-1][j]。

2. 选择装入当前第i件物品（仅背包容量足够装下才可选择）：装入后需要预留当前物品重量的空间，剩余容量对应的最优价值加上当前物品自身价值，就是装入后的总价值。

3）状态转移方程分情况判定

如果背包当前容量装不下当前物品（j < 物品重量w）：只能不选当前物品

dp[i][j] =dp[i - 1][j]

如果背包当前容量可以装下当前物品（j ≥ 物品重量w）：选与不选当前物品，取价值更大的方案

dp[i][j] = max(dp[i-1][j], dp[i-1][j-w]+v)

4）初始边界条件

没有任何物品可供选择（i=0），或背包容量为0无法装任何物品（j=0）时，无论何种情况，背包能装的物品总价值全部为0，即dp[0][j]=0、dp[i][0]=0。默认初始化二维dp数组时，C++全局数组默认初始值为0，无需手动额外赋值，直接满足边界条件。

5）01背包完整C++实操代码

#include <iostream>
#include <algorithm> // 调用max函数必备头文件
using namespace std;

int main() {
    int goodsNum = 3; // 物品总数量
    int bagVolume = 5; // 背包最大承载容量

    // 数组分别存储每件物品的重量、对应价值
    int weight[] = {0, 2, 3, 4}; // 下标从1开始，适配DP状态定义
    int value[] = {0, 3, 4, 5};

    // 定义二维DP数组：dp[i][j]前i件物品，容量j的最大价值
    int dp[goodsNum + 1][bagVolume + 1] = {0};

    // 自底向上遍历所有物品和所有背包容量，递推计算DP状态
    for (int i = 1; i <= goodsNum; i++) { // 遍历每一件物品
        for (int j = 1; j <= bagVolume; j++) { // 遍历每一种背包容量
            if (j < weight[i]) {
                // 背包容量不足，装不下当前物品，只能不选
                dp[i][j] = dp[i - 1][j];
            } else {
                // 容量足够，选与不选当前物品，取价值最大值
                dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]);
            }
        }
    }

    // 输出最终背包不超容量的最大总价值
    cout << "01背包可装载物品最大总价值：" << dp[goodsNum][bagVolume] << endl;
    return 0;
}

---

7. 动态规划万能解题五步模板

1. 第一步：判断是否适用DP解法：核对题目是否同时具备重叠子问题和最优子结构两大核心条件，满足即可用DP，不满足则更换其他算法。

2. 第二步：精准定义DP状态：清晰写明一维或二维dp数组的具体含义，明确每个下标对应的实际问题场景，状态定义精准无误。

3. 第三步：推导状态转移方程：根据题目规则和状态含义，分析当前状态与前置历史状态的关联，推导出专属运算转移公式。

4. 第四步：设置初始边界条件：手动初始化最小基础子问题的数值，为循环计算提供起点，规避数组越界和计算错误。

5. 第五步：循环递推计算并输出答案：按照自底向上顺序循环运算，填充完整dp数组，根据状态定义定位并输出最终所求全局最优解。

8. 动态规划常见易错点与避坑注意事项

• 状态定义切勿模糊笼统，状态含义写错，后续所有转移方程和计算全部无效，是最常见的扣分点。

• 边界条件不要遗漏初始化，未赋值边界会导致循环初始计算错误，结果完全偏离正确答案。

• 循环遍历顺序不能随意更改，一维DP、二维DP均需严格遵循自底向上、先算子问题再算大问题的顺序。

• 区分题目是求最大值、最小值还是计数方案数，对应转移方程选用max、min或累加运算，切勿混用运算逻辑。

• 不要盲目套用DP模板，做题第一步先判断适用条件，简单问题无需强行使用动态规划，避免过度复杂化。

9. 动态规划核心总结

动态规划 = 大事化小拆解问题 + 子问题算过就永久存储 + 自底向上查表递推 + 拒绝重复无效计算 + 局部最优推导全局最优