递推算法与递推套路（算法基础篇）

联系我们：有道技术团队助手：ydtech01 / 邮箱：[[email protected]]

相信了解算法同学经常会说动态规划太难了，看到题目完全不知从何下手，或者是说“一看题解就会，一看题目就废”这样的一个状态。本质上是由于学习动态规划的时候，学习方法不对，最终导致南辕北辙，没有掌握其中精髓。而动态规划与递推算法又有着暧昧不清的关系，我们选择先从递推算法入手，一步一步揭开动态规划的神秘面纱。

一、递推公式

每一个递推算法，都有一个递推公式，通过递推公式我们可以更加明确的了解递推算法。

1.1 斐波那契数列的递推公式

f(n) = f(n-1) + f(n-2) ,这是我们斐波那契数列的递推公式，有很多同学可能会问，这个公式实际有什么用呢？接下来，我们来直接看一个算法题：爬楼梯

LeetCode 70. 爬楼梯

这道题我们要怎么理解呢？我们如果想要爬到第 n 阶楼梯，那么上一步有可能是在 n-1 ,也有可能是在 n-2

因此，这道题的解法就一目了然了：

function climbStairs(n: number): number {
    const res: number[] = [];
    // 爬到第0层的方法就是一动不动，我们可以认为他只有一种
    res[0] = 1;
    // 爬上第一层阶梯的可能性只有1个，就是走一步
    res[1] = 1;
    // 因此，后面的爬楼方式，我们就可以通过地推方式计算出来
    for(let i=2;i<=n;i++) {
        res[i] = res[i-1] + res[i-2];
    }
    return res[n];
};

二、数学归纳法

上面带着大家一起学习了一下斐波那契数列递推公式的实际应用。那么，为什么上面这个公式就能够描述这一类问题的特性呢？这就要再聊一下数学归纳法了。

数学归纳法在整个计算机科学当中是非常重要的，主要分为以下几步：

1. 验证k0成立（边界条件）；
2. 证明如果k(i)成立，那么k(i+1)也成立；
3. 联合步骤1和步骤2，证明由k0~k(n)成立。

不知道大家是否还记得，之前我们学习二叉树时，有扩展学习过递归程序的设计，而递归程序的设计要点就是数学归纳法在广义方面的应用，又称为结构归纳法。

那么，我们再来看一下上面的爬楼梯问题，怎么使用数学归纳法分析。

1. 验证k0成立：在爬楼梯问题中，我们的边界条件就是当n为0和n为1。
2. 证明如果k(i)成立，那么k(i+1)也成立：我们假设 res[i-1] 和 res[i-2] 是正确的，那么，res[i]也是成立的。
3. 联合步骤1和步骤2，证明由k0~k(n)成立：由于步骤1和步骤2联立，必然能够的出res[n]是成立的。

三、如何求解递推问题（递推问题的求解套路）

论求解套路的重要性：求解套路就是递推算法的学习方式，如果学习方式错了，很可能南辕北辙，花了比别人更多的时间，反而掌握的更少。就像健身的时候，如果你掌握了一些动作要领，可能1~2个月肌肉就出来了，但是你要是没有掌握动作要领，练错了，不仅长得肌肉变成肥膘，还可能伤到自己。

1. 确定递推状态（重点）

   • 一种函数符号 f(x) 以及赋予函数符号一个含义

     • 例如上面的斐波那契数的求解问题，我们要赋予 f(x) 一个含义： 爬上第x阶楼梯的方法总数

   • 函数所对应的值就是我们要求解的答案

     • 如：f(x) = y 中， x是自变量， y 是因变量。而在上面爬楼梯的问题当中，自变量x就是要爬的楼梯数，而因变量 y 就是爬到 x 阶楼梯的方法总数。因此，我们再求解问题的时候，最终要的是确定哪个是自变量，哪个是因变量。通常，因变量的值就是我们要求解的值。
     • 那么，我们要如何分析题目中的自变量是什么呢？我们要确定，会影响因变量的因素有哪些。如爬楼梯问题中，影响方法总数的就只有我们当前要爬的楼梯数，因此，自变量就是楼梯数 x。
   • 思维练习

• 首先来分析一下递推状态是什么。

首先第一个会影响我们方法总数的自变量就是 n ，即房间被划分成了几个区块，其次，由于房间是环形的，为了不让首尾颜色项目，我们还需要将首尾颜色也记录到我们的递推状态当中，那么，我们就得到了如下的公式：

f(n, i, j) = y，其中，n代表一个房间被分成几个区块，i 和 j 分别代表首尾颜色， y 代表方法总数。这个公式的意思是：总共有n个区块的房间，第一个区块涂第i种颜色，最后一个区块涂第j种颜色并且相邻颜色不同的方法总数为y

• 上面分析得出了 f(n, i, j) = y 这样一个简易版的公式，现在，我们就需要确定，通过怎样的运算能够算出f(n, i, j)

注意，上面三个递推公式都是正确的，只是在不断的优化我们的递推公式，提升程序效率，但三种方式都可以求解出正确答案

1. 确定递推公式

   • 确定 f(n) 依赖于哪些 f(i) 的值
2. 分析边界条件(k0)

3. 程序实现

   • 递归
   • 循环

四、递推与动态规划

动态规划问题其实就是求解最优化的递推问题，动态规划问题相较于普通的递推问题，多出了一个决策的过程

空讲概念有点抽象，我们来结合具体问题来分析。依旧还是爬楼梯问题，不过比之前的爬楼梯多了一个体力花费。

LeetCode 746. 使用最小花费爬楼梯

这道题与上面简单的爬楼梯问题类似，差别就在于每上一层楼梯，我们需要花费一定的体力，要求我们求出花费最小的体力。

通过上面的分析，我们可以得出以下公式：dp[n] = min(dp[n-2] + cost[n-2], dp[n-1] + cost[n-1])

翻译一下上面的公式：爬上第n层楼梯的总体力花费应该等于最后一步从第n-2层爬上来的体力花费与最后一步是从n-1层爬上来的体力花费的最小值

function minCostClimbingStairs(cost: number[]): number {
    const n = cost.length;
    const dp: number[] = [];
    // 由于题目给定可以从第0层或第1层开始爬，因此，我们初始化第0层和第1层的体力花费为0
    dp[0] = 0;
    dp[1] = 0;
    // 我们从第二层的体力花费开始递推
    for(let i=2;i<=n;i++) {
        // 第i层的体力花费是我最后一步从i-1层爬上来的体力花费与从i-2层趴上来的体力花费的最小值
        dp[i] = Math.min(dp[i - 1] + cost[i - 1], dp[i - 2] + cost[i - 2]);
    }
    return dp[n];
};

五、结语

大家都觉得动态规划学起来很难，主要是因为我们要真正学好动态规划，需要从：递推状态定义、状态转移方程推导、程序实现等三个大方向上入手并学习，并且这三个方向都是不好学的。今天通过递推算法与递推公式的相关学习，以及初步的了解了递推算法与动态规划的关系。这些都是我们后续学习动态规划的基础，其中尤为重要的是数学归纳法的理解与应用。“光说不练假把式”，今天说的大部分都是理论，下一篇文章《递推算法与递推套路（手撕算法篇）》将会直接从一些递推或动态规划的题目入手，学习递推程序或动态规划程序的求解套路，让你看到递推和动规不再茫然。敬请期待！