js 实现动态规划

### 使用 JavaScript 实现动态规划算法 动态规划的核心思想是将问题分解为多个子问题，并通过递推的方式求解这些子问题的最优解，最终得到整个问题的最优解[^2]。以下是实现动态规划算法的主要步骤以及一个具体的例子。 #### 主要步骤 1. **定义状态**：明确 dp 数组或对象的意义，表示什么信息。 2. **初始化状态**：设置初始条件，例如边界情况。 3. **定义状态转移方程**：描述如何从前一步的结果计算下一步的结果。 4. **求解问题**：根据状态转移方程填充 dp 表格。 5. **输出结果**：从 dp 表格中提取所需答案。 --- #### 示例：斐波那契数列 斐波那契数列是一个经典的动态规划问题，其中第 n 项等于前两项之和。下面展示了一个使用动态规划的思想来计算斐波那契数列的 JavaScript 实现[^4]。 ```javascript function fibonacci(n) { if (n <= 0) return 0; if (n === 1) return 1; const dp = [0, 1]; // 初始化状态 for (let i = 2; i <= n; i++) { dp[i] = dp[i - 1] + dp[i - 2]; // 定义状态转移方程 } return dp[n]; // 返回结果 } // 测试用例 console.log(fibonacci(10)); // 输出 55 ``` 在这个例子中： - `dp[i]` 表示第 i 个斐波那契数。 - 初始条件为 `dp[0] = 0`, `dp[1] = 1`。 - 状态转移方程为 `dp[i] = dp[i - 1] + dp[i - 2]`。 --- #### 示例：0/1 背包问题 另一个经典问题是 0/1 背包问题，在这个问题中我们需要决定哪些物品放入容量有限的背包中以获得最大价值。下面是该问题的一个简单实现[^5]。 假设有一个重量数组 `weights` 和对应的值数组 `values`，背包的最大承重为 `maxWeight`。 ```javascript function knapsack(weights, values, maxWeight) { const n = weights.length; const dp = Array.from({ length: n + 1 }, () => Array(maxWeight + 1).fill(0)); for (let i = 1; i <= n; i++) { // 遍历每个物品 for (let w = 0; w <= maxWeight; w++) { // 遍历每种可能的重量 if (w >= weights[i - 1]) { dp[i][w] = Math.max( dp[i - 1][w], // 不选当前物品 dp[i - 1][w - weights[i - 1]] + values[i - 1] // 选择当前物品 ); } else { dp[i][w] = dp[i - 1][w]; // 当前物品太重，无法选择 } } } return dp[n][maxWeight]; // 返回最大价值 } // 测试用例 const weights = [2, 3, 4, 5]; const values = [3, 4, 5, 6]; const maxWeight = 5; console.log(knapsack(weights, values, maxWeight)); // 输出 7 ``` 在这个例子中： - `dp[i][w]` 表示考虑前 i 件物品且总重量不超过 w 的情况下可以获得的最大价值。 - 状态转移方程为 `dp[i][w] = Math.max(dp[i - 1][w], dp[i - 1][w - weight[i]] + value[i])`。 --- #### 性能分析 动态规划的时间复杂度通常由两个因素决定：状态的数量和每次状态转移所需的计算量。以上述背包问题为例，时间复杂度为 O(n * W)，其中 n 是物品数量，W 是背包的最大承重[^2]。 尽管动态规划的空间复杂度较高，但可以通过滚动数组等方式优化空间消耗[^3]。 ---