动态规划算法概述
动态规划（dynamic programming）1是一种与分治方法很像的方法，都是通过组合子问题的解来求解原问题。不同之处在于，动态规划用于子问题重叠的情况，比如我们学过的斐波那契数列。在斐波那契数列的求解问题中，我们经常要对一个公共子问题进行多次求解，而动态规划算法，则对每个子问题只求解一次，将其解保存在一个表格中，从而避免了大量的冗余计算量。
动态规划算法常用于寻找最优解问题（optimization problem）。而其规划大概可分为四步：
1.刻画一个最优解的结构特征。
2.递归的定义最优解的值。
3.计算最优解的值。
4.利用计算出的信息构造一个最优解2。
我们将以《算法导论》中的一个习例作为展示的对象，讲解动态规划算法的应用方法。
钢条切割问题
现有某公司，购买长钢条以切割成短钢条出售。若不计切割成本，请求出如何切割以使公司利益最大。该公司短钢条售价如下：
长度：1 2 3 4 5 6 7 8 9 10
价格：1 5 8 9 10 17 20 24 30
现假设一段钢条的长度为n，我们可以试求当 n = 4时，我们能获得的最大收益。此时，我们对于第一次分割有5种选择（0,1,2,3,4），以此类推，对于n = 4的情况，我们一共有8种情形：（4），（1,3），（2,2），（3,1），（1,1,2），（1,2,1），（2,1,1），（1,1,1,1）。易算得，最高价值为（2,2）情况下取得，最高收益为10.
那么，我们如何用函数来描述这一过程呢？首先，我们可以假设第一次切割所得的第一部分钢条长度为x （属于[0,n]）。则我们现在有了两根钢条，一根长为x，另一根长为 n - x。那么长为n的钢条所得利益的最优解就来自于长为x 和 n - x两段钢条最优解的和。如此划分，即可将问题逐步化简为一个个子问题，以R来表示公司所得利益，P来表示钢条单价，则有R对n的函数：
Rn = max（Px + R（n - x))。
普通递归方法实现
可以看出上述公式是一个很明显的递归函数，我们很容易就可以得到下列代码：
1 #include<iostream>
2 #include<vector>
3 #include<algorithm>
4 #define null -1
5 using namespace std;
6
7 int cut_rod(int n, vector<int> p) {
8 if (n == 0) return 0;
9 int q = null;
10 for (int i = 1; i <= n; i++) {
11 q = max(q , p[i-1] + cut_rod(n - i, p) );
12 }
13 return q;
14 }
15
16 int main() {
17 cout << "输入产品各段数所对应的价格（从小到大）" << endl;
18 int n = 0;
19 vector<int> p;
20 while (cin >> n && n != null) { //输入-1表示停止
21 p.push_back(n);
22 n = 0;
23 }
24 vector<int> results(p.size() + 1, null); //在result中创建n + 1个元素（[0,n]共n+1个），并统一赋值为null
25 cout << "请输入所需切割钢材长度" << endl;
26 cin >> n;
27 cout << cut_rod(n, p);
28 //cout << memo_cut_rod(n, p, results);
29 //cout << bot_cut_rod(n, p, results);
30 return 0;
31 }
我们已在斐波那契数列的学习中证明了，这种算法的缺点是很明显的，随着递归的深入，其计算量会爆炸性的增长。易得其时间复杂度 ： T = 2N。
那么我们要怎么利用动态规划的方法来进行简便运算呢？方法有两种：一种称之为带备忘的自顶向下法（top-down with memoization3），另一种则是自底向上法（bottom-up method）。
带备忘的自顶向下法
此方法与正常的递归方法并无太大区别，但在过程中，每一个子问题的解都会被保存下来，在每次求解之前都会验证是否已经对该子问题进行了求解，若是，则直接返回保存的值；不是，再进行正常运算。据此理论，易得代码：
1 int memo_cut_rod(int n, vector<int> p, vector<int> results) {
2 if (results[n] > 0) return results[n];
3 if (n == 0) return 0;
4 int q = null;
5 for (int i = 1; i <= n; i++) {
6 q = max(q, p[i - 1] + memo_cut_rod(n - i, p,results));
7 }
8 return q;
9 }
10
11
12 int main() {
13 cout << "输入产品各段数所对应的价格（从小到大）" << endl;
14 int n = 0;
15 vector<int> p;
16 while (cin >> n && n != null) { //输入-1表示停止
17 p.push_back(n);
18 n = 0;
19 }
20 vector<int> results(p.size() + 1, null); //在result中创建n + 1个元素（[0,n]共n+1个），并统一赋值为null
21 cout << "请输入所需切割钢材长度" << endl;
22 cin >> n;
23 //cout << cut_rod(n, p);
24 cout << memo_cut_rod(n, p, results);
25 return 0;
26 }
自底向上法
自底向上法采用了与正常递归相似的顺序，但免除了从顶到下的过程以及冗余的计算，直接从最小问题算起，最后构成最优解。其代码如下：
int bot_cut_rod(int n,vector<int> p,vector<int> results) {
results[0] = 0;
for (int j = 1; j <= n; ++j) {
int q = null;
for (int i = 1; i <= j; ++i) {
q = max(q, p[i -1] + results[j - i]);
}
results[j] = q;
}
return results[n];
}
总结
自底向上法与带备忘的自顶向下法具有相同的渐进运行时间，两者的时间复杂度都为 T = n2。相比之前的2n强了太多。而使用动态规划算法的重中之重，是找好问题划分的方法，将问题一步一步化简到最小，把大问题化简成一个个小问题，小问题往往比大问题好解的多，最后再由小问题推导出大问题的答案，就算是大功告成了。
注释：
1.此处的programming是指一种表格法，而非编程
2.当我们仅仅需要一个最优解的值的时候，我们往往可以省略掉第4步。
3.此处并非拼写错误，确实为memoization,而非memorization。前者源自memo，为备忘之意。
参考文献：
《算法导论》