动态规划
1 概念
动态规划算法是通过拆分问题，定义问题的状态与状态之间的关系，使得问题能够以递推（或者说分治）的方式去解决。在学习动态规划之前需要明确掌握几个重要概念。
阶段：对于一个完整的问题过程，适当的切分为若干个相互联系的子问题，每次在求解一个子问题，则对应一个阶段，整个问题的求解转化为按照阶段次序去求解。
状态：状态表示每个阶段开始时所处的客观条件，即在求解子问题时的已知条件。状态描述了研究的问题过程中的状况。
决策：决策表示当求解过程处于某一阶段的某一状态时，可以根据当前条件作出不同的选择，从而确定下一个阶段的状态，这种选择称为决策。
策略：由所有阶段的决策组成的决策序列称为全过程策略，简称策略。
最优策略：在所有的策略中，找到代价最小，性能最优的策略，此策略称为最优策略。
状态转移方程：状态转移方程是确定两个相邻阶段状态的演变过程，描述了状态之间是如何演变的。
2 使用场景
能采用动态规划求解的问题一般要具有 以下3 个性质：
（1）最优化：如果问题的最优解所包含的子问题的解也是最优的，就称该问题具有最优子结构，即满足最优化原理。子问题的局部最优将导致整个问题的全局最优。换句话说，就是问题的一个最优解中一定包含子问题的一个最优解。
（2）无后效性：即某阶段状态一旦确定，就不受这个状态以后决策的影响。也就是说，某状态以后的过程不会影响以前的状态，只与当前状态有关，与其他阶段的状态无关，特别是与未发生的阶段的状态无关。
（3）重叠子问题：即子问题之间是不独立的，一个子问题在下一阶段决策中可能被多次使用到。（该性质并不是动态规划适用的必要条件，但是如果没有这条性质，动态规划算法同其他算法相比就不具备优势）
3 算法流程
（1）划分阶段：按照问题的时间或者空间特征将问题划分为若干个阶段。
（2）确定状态以及状态变量：将问题的不同阶段时期的不同状态描述出来。
（3）确定决策并写出状态转移方程：根据相邻两个阶段的各个状态之间的关系确定决策。
（4）寻找边界条件：一般而言，状态转移方程是递推式，必须有一个递推的边界条件。
（5）设计程序，解决问题
实战练习
下面的三道算法题都是来源于 LeetCode 上与股票买卖相关的问题 ，我们按照 动态规划 的算法流程来处理该类问题。
股票买卖这一类的问题，都是给定一个输入数组，里面的每个元素表示的是每天的股价，并且你只能持有一支股票（即你必须在再次购买前出售掉之前的股票），一般来说有下面几种问法：
- 只能买卖一次
- 可以买卖无数次
- 可以买卖 k 次
问题就是需要你设计一个算法去获取最大的利润。
买卖股票的最佳时机
题目来源于 LeetCode 上第 121 号问题：买卖股票的最佳时机。题目难度为 Easy，目前通过率为 49.4% 。
题目描述
给定一个数组，它的第 i 个元素是一支给定股票第 i 天的价格。
如果你最多只允许完成一笔交易（即买入和卖出一支股票），设计一个算法来计算你所能获取的最大利润。
注意你不能在买入股票前卖出股票。
示例 1:
示例 2:
题目解析
我们按照动态规划的思想来思考这道问题。
状态
有 买入（buy） 和 卖出（sell） 这两种状态。
转移方程
对于买来说，买之后可以卖出（进入卖状态），也可以不再进行股票交易（保持买状态）。
对于卖来说，卖出股票后不在进行股票交易（还在卖状态）。
只有在手上的钱才算钱，手上的钱购买当天的股票后相当于亏损。也就是说当天买的话意味着损失-prices[i]，当天卖的话意味着增加prices[i]，当天卖出总的收益就是 buy+prices[i] 。
所以我们只要考虑当天买和之前买哪个收益更高，当天卖和之前卖哪个收益更高。
- buy = max(buy, -price[i]) （注意：根据定义 buy 是负数）
- sell = max(sell, prices[i] + buy)
边界
第一天 buy = -prices[0], sell = 0，最后返回 sell 即可。
代码实现
class Solution {
public int maxProfit(int[] prices) {
if(prices.length <= 1)
return 0;
int buy = -prices[0];
int sell = 0;
for(int i = 1; i < prices.length; i++) {
buy = Math.max(buy, -prices[i]);
sell = Math.max(sell, prices[i] + buy);
}
return sell;
}
}买卖股票的最佳时机 II
题目来源于 LeetCode 上第 122 号问题：买卖股票的最佳时机 II。题目难度为 Easy，目前通过率为 53.0% 。
题目描述
给定一个数组，它的第 i 个元素是一支给定股票第 i 天的价格。
设计一个算法来计算你所能获取的最大利润。你可以尽可能地完成更多的交易（多次买卖一支股票）。
注意：你不能同时参与多笔交易（你必须在再次购买前出售掉之前的股票）。
示例 1:
示例 2:
示例 3:
题目解析
状态
有 买入（buy） 和 卖出（sell） 这两种状态。
转移方程
对比上题，这里可以有无限次的买入和卖出，也就是说 买入 状态之前可拥有 卖出 状态，所以买入的转移方程需要变化。
- buy = max(buy, sell - price[i])
- sell = max(sell, buy + prices[i] )
边界
第一天 buy = -prices[0], sell = 0，最后返回 sell 即可。
代码实现
class Solution {
public int maxProfit(int[] prices) {
if(prices.length <= 1)
return 0;
int buy = -prices[0], sell = 0;
for(int i = 1; i < prices.length; i++) {
sell = Math.max(sell, prices[i] + buy);
buy = Math.max( buy,sell - prices[i]);
}
return sell;
}
}买卖股票的最佳时机 III
题目来源于 LeetCode 上第 123 号问题：买卖股票的最佳时机 III。题目难度为 Hard，目前通过率为 36.1% 。
题目描述
给定一个数组，它的第 i 个元素是一支给定的股票在第 i 天的价格。
设计一个算法来计算你所能获取的最大利润。你最多可以完成 两笔 交易。
注意: 你不能同时参与多笔交易（你必须在再次购买前出售掉之前的股票）。
示例 1:
示例 2:
示例 3:
题目解析
这里限制了最多两笔交易。
状态
有 第一次买入（fstBuy） 、 第一次卖出（fstSell）、第二次买入（secBuy） 和 第二次卖出（secSell） 这四种状态。
转移方程
这里可以有两次的买入和卖出，也就是说 买入 状态之前可拥有 卖出 状态，所以买入和卖出的转移方程需要变化。
- fstBuy = max(fstBuy ， -price[i])
- fstSell = max(fstSell，fstBuy + prices[i] )
- secBuy = max(secBuy ，fstSell -price[i]) (受第一次卖出状态的影响)
- secSell = max(secSell ，secBuy + prices[i] )
边界
- 一开始
fstBuy = -prices[0] - 买入后直接卖出，
fstSell = 0 - 买入后再卖出再买入，
secBuy - prices[0] - 买入后再卖出再买入再卖出，
secSell = 0
最后返回 secSell 。
代码实现
class Solution {
public int maxProfit(int[] prices) {
int fstBuy = Integer.MIN_VALUE, fstSell = 0;
int secBuy = Integer.MIN_VALUE, secSell = 0;
for(int i = 0; i < prices.length; i++) {
fstBuy = Math.max(fstBuy, -prices[i]);
fstSell = Math.max(fstSell, fstBuy + prices[i]);
secBuy = Math.max(secBuy, fstSell - prices[i]);
secSell = Math.max(secSell, secBuy + prices[i]);
}
return secSell;
}
}