动态规划理论基础
动态规划适用于解决有重叠子问题的问题。所以动态规划中的每一个状态一定是由上一个状态推导来的，这一点区分于贪心，因为贪心每一步总是取局部最优。
解题步骤：
- 确定dp数组的含义
- 确定递推表达式
- dp数组如何初始化
- 确定遍历顺序
- 手动测试模拟，推导dp数组
关于动态规划的debug：围绕dp数组展开，举例对dp数组的取值进行模拟，打印日志查看是否与预想一致。
斐波那契数
动态规划通用解法的完整体现。
class Solution {
public:int fib(int n) {if(n < 2) return n;// dp[i]为斐波那契数列F(i)的值vector<int> dp(n + 1);dp[0] = 0;dp[1] = 1;for(int i = 2; i <= n; i++){dp[i] = dp[i - 1] + dp[i - 2]; // 递推表达式}return dp[n];}
};
简化的写法，其实每一次更新只与前两个数相关，只维护两个元素就行。
class Solution{
public:int fib(int n){if(n < 2) return n;int dp[2] = {0};dp[1] = 1;for(int i = 2; i <= n; i++){int sum = dp[0] + dp[1];dp[0] = dp[1];dp[1] = sum;}return dp[1];}
};
爬楼梯
dp[i]为爬 i 级台阶的爬法数目，那么可以有：dp[i] = dp[i - 1] + dp[i - 2]，因为要么爬一级，要么爬两级，所以总共的方法数目就来自于 i - 1 和 i - 2。
至于初始化，dp[0]没有爬0级台阶这种情况，讨论它不符合 dp 数组的含义，所以可以忽略。初始化 dp[1] 和 dp[2]，从 n = 3 开始遍历。
class Solution{
public:int climbStairs(int n){vector<int> dp(n + 1);if(n < 2) return n; // 避免dp[2]越界dp[1] = 1;dp[2] = 2;for(int i = 3; i <= n; i++){dp[i] = dp[i - 1] + dp[i - 2];}return dp[n];}
};
其实这道题也可以扩展为一次有走更多种台阶的可能，思路仍是相似的，后面打卡中会有具体实现。
使用最小花费爬楼梯
类似的思路，掌握动态规划方法论。
class Solution {
public:int minCostClimbingStairs(vector<int>& cost) {int n = cost.size();// dp[i]为爬到第i级需要的最小代价vector<int> dp(n + 1, 0); // dp[0]和dp[1]初始化为0，因为是从这两级开始爬，花费为0for(int i = 2; i <= n; i++){dp[i] = min(dp[i - 1] + cost[i - 1], dp[i - 2] + cost[i - 2]);}return dp[n];}
};
