动态规划-Dynamic programming（虽然没图没人看）

动态规划（programming在这里是规划的意思）算法设计技术由二十世纪五十年代的美国卓越数学家理查德.贝尔曼发明，它主要用来解决这种问题：

问题是由交叠的子问题构成的，按照动态规划，与其对子问题一次又一次地求解，还不如对每个较小的子问题只求解一次(斐波那契数列)并把结果记录在表中，这样就可以从表中得到原始问题的解。

三大经典例题

1.币值最大化问题

给定一排n个硬币，其面值均为整数C1, C2, ..., Cn, 这些整数并不一定两两不同。问如何选择硬币，使得在其原始位置互不相邻的条件（也就是说选了第i个就不能选第i+1个）下，所选硬币的总金额最大。

设最大可选金额为F(n),首先根据是否包含Cn将所有的可选计划分为两组

1. 包含Cn，F(n)=Cn+F(n-2) 互不相邻,选了Cn就不能选Cn-1
2. 不包含Cn，F(n)=F(n-1)
   在这里F(n-1~0)是已经得出的，所以使F(n)取最大值的就是F(n-1)和Cn+F(n-2)中的最大值
   初始条件F(0)=0（啥都没选当然为0）
   假设 n=2 C1=5,C2=4。

• F(0)=0
• F(1)=5
• F(2)=5
  容易看出这里的F(n)选的是2

综上所述

F(n)=max(F(n-1),Cn+F(n-2));

//自底向上求最大金额即从F(2)开始求知道F(n)
#include 
#include 
using namespace std;
int CoinRow(int c[],int n)//下标从1开始
{
    int F[n];
    F[0]=0;
    F[1]=c[1];

    for(int i=2;i

2. 找零问题

需找零金额为n，最少要用多少面值为d1

设F(n)为找零n元所需要的最少硬币数
显然F(0)=0;

F(n)=F(n-di)+1;

思考一下上述公式是成立的，因此选取使n-di最小(但是不能为负数)的di才能获得最小的F(n),使用与上题相同的思想从底向上计算。

#include 
using namespace std;


int ChangeMaking(int D[],int length,int n)//0舍去不用
{
    int F[n+1];
    F[0]=0;
    for(int i=1;i<=n;i++)
    {
        int temp=D[length-1]+1;
        for(int j=1;j=D[j];j++)
            temp=min(F[i-D[j]],temp);
        F[i]=temp+1;
    }
    return F[n];
}

int main()
{
    int D[3]={1,3,4};
    cout<

3. 硬币收集问题

在n*m格木板中放有一些硬币，每格的硬币数目最多一个，在木板左上方的机器人要尽可能多的收集硬币，机器人只能向右、向下运动，找出机器人能找到的最大硬币数并给出相应的路径。

设F[i,j]为机器人移动到[i,j]收集到的硬币数,M[row,col]为硬币分布
因为只能向右或向下移动因此

F[i,j]=max(F[i,j-1],F[i-1,j])

对于第一行和第一列

F[1,i]=F[1,i-1]+M[1,i]  2<=i<=col
F[j,1]=F[j-1,1]+M[j,1]  2<=j<=row

这样跌倒计算出所有F[i,j]的值，F[row,col]即为硬币最大值，要获得路径就对max进行改造，记下两者中最大者的坐标(注意不止一条可行路径，如果两者相等就可以划分成两条路径)

#include
using namespace std;
int RobotCollection(int M[][7],int row,int col)
{
    int F[row][col];
    F[1][1]=M[1][1];
    for(int j=2;j