詳細**可以fork下github上leetcode專案，不定期更新。題目均摘自leetcode：
水題，不一定要使用dp，但既然此章節關於dp，咱們就用dp解。
public
boolean
issubsequence(string s, string t)
}return isseq[n-1];
}
//dp[j][i] 表示在區間[j,i]之間的最長回文，可斷
s[j] == s[i]: dp[j][i] = dp[j+1][i-1] + 2;
//沒有最新的回文生成，所以沿用舊的回文長度
s[j] != s[i]: dp[j][i] = math.max(dp[j+1][i],dp[j][i-1]);
public
intlongestpalindromesubseq(string s) else }}
return dp[0][n-1];
}
dp[i][j] : 表示word1[0,i)和word2[0,j)的最短編輯距離
如：dp[1][0] = 1, "a"," "
dp[1][1] = ?, "a","a" 相等，？ = 0，"a","b" 不相等， ？ = 1
dp[i][0] = i;
dp[0][j] = j;
遞推式：
dp[i][j] = dp[i-1][j-1]; if word1[i] == word2[j];
dp[i][j] = min(dp[i-1][j] + dp[i][j-1] + dp[i-1][j-1]) + 1; if word1[i] != word2[j];
舉個簡單的例子說明它們的含義：（word1不去操作，所有操作在word2上進行）
word1 : "a"
word2 : "ab"
dp[0][0] = 0; " " == " "
dp[0][1] = 1; edit -> "&a", "&b"
dp[0][2] = 2; edit -> "&&a", "&&"
dp[1][1] = dp[0][0] = 0; "a" == "a", no edit
dp[1][2] = ?; "a" != "b"
存在三種情況：
a. dp[1][2] = dp[0][1] = 2; "&a","&b" edit -> "&a","&a"
我們已知道了dp[0][1]表示為"&a","&b",所以只能進行替換操作。
即：dp[i][j] = dp[i-1][j-1]
dp[i-1][j-1]表示了最短編輯距離，也可以表示成兩字串經過編輯後已然相等，而此時為了能夠更新到dp[i][j],只能對word2的第j個字元做替換操作。
b. dp[1][2] = dp[1][1] = 1; "a","ab" edit -> "a","a"
即：dp[i][j] = dp[i][j-1]
顯然，dp[1][1] = 0,沒有操作。而此時為了能夠更新到dp[i][j]，讓兩字串相等，只能刪除word2的第j個字元。
c. dp[1][2] = dp[0][2] = 3; "&&a","&&" edit -> "&&a","&&a"
即：dp[i][j] = dp[i-1][j];
同理，dp[0][2] = 2, 說明了word2 = "&&",而為了能夠更新到dp[i][j],只能新增到第j個字元後。
最後在這三種操作中，取最小的即可。
public
intmindistance(string word1, string word2) }}
return cost[m][n];
}
演算法之動態規劃
一 思想 首先要了解 動態規劃 必須先知道什麼叫做 多階段決策 百科裡面對這個問題解釋的很全，我就load一段出來，大家得要好好品味，好好分析。上面圖中最後一句話就定義了動態規劃是要幹什麼的問題。二 使用規則 現在我們知道動態規劃要解決啥問題了，那麼什麼情況下我們該使用動態規劃呢？最優化原理 最優子...
演算法之動態規劃
鋼條切割問題 鋼條切割問題出現在 演算法導論 一書第204頁，作為動態規劃的例題出現，該題內容如下 serling公司購買長鋼條，將其切割為短鋼條 切割工序本身沒有成本支出。公司管理層希望知道最佳的切割方案。假定我們知道serling公司 一段長為i英吋的鋼條的 為pi i 1,2,單位為美元 鋼條...
演算法學習系列之 動態規劃法
早上起來，看了一道美團面試題，是關於動態規劃的。突然發現對學過的演算法並沒有乙個系統全面的認識。於是準備把經典演算法以寫部落格的形式回顧一遍。貴在堅持！如果問題是由交疊的子問題構成的，我們就可以運用動態規劃技術來解決它。一般來說，這樣的子問題出現在對給定問題求解的遞推關係中，這個遞推關係中包含了相同...