算法第三章作业

1. 实践报告：题目“7-4 最低通行费”分析
   (1.1) 最优子结构与递归方程式

状态定义：设 dp[i][j] 表示从网格左上角起点出发，走到坐标 (i, j) 位置时所需要的最低通行费。
最优子结构性质：由于每次只能向右或向下移动，因此到达位置 (i, j) 的路径必然是从其正上方 (i-1, j) 或正左方 (i, j-1) 走过来的。这意味着到达 (i, j) 的最优解，必然是由到达其上方和左方的最优解推导而来，符合最优子结构性质。

递归方程式：
dp[i][j] = cost[i][j] + min(dp[i-1][j], dp[i][j-1])
（注：cost[i][j] 表示当前格子本身的通行费用）

边界条件：

• 起点：dp[0][0] = cost[0][0] （网格左上角）
• 第一行（只能一直从左边向右走）：dp[0][j] = dp[0][j-1] + cost[0][j] (j > 0)
• 第一列（只能一直从上边向下走）：dp[i][0] = dp[i-1][0] + cost[i][0] (i > 0)

(1.2) 填表法分析

• 表的维度：二维数组 dp。假设网格大小为 N 行 M 列，则表的维度为 N × M。
• 填表范围：行索引 i 从 0 到 N-1，列索引 j 从 0 到 M-1。
• 填表顺序：从上到下，从左到右（即按行优先遍历）。因为计算当前元素 dp[i][j] 时，必须确保其依赖的上方元素 dp[i-1][j] 和左侧元素 dp[i][j-1] 已经计算完毕。
• 原问题的最优值：二维表格右下角的元素，即 dp[N-1][M-1]。

(1.3) 算法的时间和空间复杂度分析

• 时间复杂度：O(N × M)。算法需要遍历整个网格，填充 N × M 大小的二维数组，每个状态转移（计算 dp[i][j]）只需要 O(1) 的常数时间。
• 空间复杂度：基础实现为 O(N × M)，用于存储所有的状态值。由于计算第 i 行只依赖于第 i 行（左侧）和第 i-1 行（上方）的状态，可以通过“滚动数组”将其空间复杂度优化至 O(M)。

2. 你对动态规划算法的理解和体会

动态规划（Dynamic Programming, DP）是一种解决多阶段决策过程最优化问题的算法思想，它的本质是“以空间换时间”，通过记录历史状态来避免重复计算。

通过本章的学习和实践，我有以下几点深刻体会：
第一，状态定义是灵魂。动态规划的第一步也是最难的一步，就是如何将一个复杂问题抽象为数学上的“状态”，并用数组（一维或二维）来精确表示。只有状态定义清晰，后续的转移才能顺理成章。
第二，状态转移方程是核心。它体现了问题中子问题之间的递推关系。在推导方程时，要时刻回顾“最优子结构”，即当前阶段的最优解能否由之前阶段的最优解推导得出。
第三，边界条件决定了算法的基石。很多时候代码逻辑写对了，但如果边界（如第一行、第一列）没有正确初始化，就会导致后续的状态推导全部出错。
第四，动态规划极大地锻炼了逻辑思维与抽象能力。它要求我们从局部最优推导全局最优，这种自底向上的思考方式在解决实际问题（如路径规划、资源分配、背包问题等）时非常高效且优雅。

总而言之，动态规划虽然入门时容易陷入“找不出递推式”的困境，但一旦理清思路、建立好模型，就能以极高的效率解决极其复杂的问题。