算法沉淀 —— 动态规划篇（简单多状态dp问题上）

前言

几乎所有的动态规划问题大致可分为以下5个步骤，后续所有问题分析都将基于此

• 1.、状态表示：通常状态表示分为以下两种，其中更是第一种为主。

  • 以i为结尾，dp[i] 表示什么，通常为代求问题（具体依题目而定）
  • 以i为开始，dp[i]表示什么，通常为代求问题（具体依题目而定）

• 2、状态转移方程

  • 以上述的dp[i]意义为根据， 通过最近一步来分析和划分问题，由此来得到一个有关dp[i]的状态转移方程。

• 3、dp表创建，初始化

  • 动态规划问题中，如果直接使用状态转移方程通常会伴随着越界访问等风险，所以一般需要初始化。而初始化最重要的两个注意事项便是：保证后续结果正确，不受初始值影响；下标的映射关系。
  • 而初始化一般分为以下两种：
    • 直接初始化开头的几个值。
    • 一维空间大小+1，下标从1开始；二维增加一行/一列。

• 4、填dp表、填表顺序：根据状态转移方程来确定填表顺序。

• 5、确定返回值

一、按摩师

【题目链接】：面试题 17.16. 按摩师
【题目】：

一个有名的按摩师会收到源源不断的预约请求，每个预约都可以选择接或不接。在每次预约服务之间要有休息时间，因此她不能接受相邻的预约。给定一个预约请求序列，替按摩师找到最优的预约集合（总预约时间最长），返回总的分钟数。

【分析】：
 我们定义dp[i]表示从[0, 1]按摩师能找到的最优预约集合。但我们发现第i个位置还可以细分为两种情况：i号预约、i号不预约。因此我们进一步分析定义f[i]表示从开始到i位置，并且i号预约的最优集合；g[i]表示从开始到i位置，并且i号不预约的最优集合。
 其中 f[i] = g[i - 1] + nums[i - 1]、g[i] = max(g[i - 1], f[i - 1])。
【代码编写】：

class Solution {
   
public:
    int massage(vector<int>& nums) {
   
        int n = nums.size();
        vector<int> f(n + 1);//f[i]表示[1, i]之间， 并且i号预约的最优集合
        vector<int> g = f;//g[i]表示[1, i]之间，并且i号不预约的最优集合
        //填表
        for(int i = 1; i <= n; i++)
        {
   
            g[i] = max(g[i - 1], f[i - 1]);
            f[i] = g[i - 1] + nums[i - 1];
        }
        return max(f[n], g[n]);
    }
};

二、打家劫舍 II

【题目链接】&#x