动态规划入门指南：如何用PTA题目快速掌握算法精髓（含回文串和矩阵链相乘解析）

最新推荐文章于 2026-03-31 03:50:58 发布

原创

最新推荐文章于 2026-03-31 03:50:58 发布 · 179 阅读

动态规划实战精讲：从PTA经典题到算法思维的内化

很多刚开始接触算法的朋友，一听到“动态规划”四个字，心里就有点发怵。状态转移方程、最优子结构、重叠子问题……这些术语听起来就让人头大。更别提在PTA（程序设计类实验辅助教学平台）上刷题时，看着那些“最大子段和”、“矩阵链相乘”的题目，明明知道是动态规划，却不知从何下手，代码写出来要么超时，要么结果不对。其实，动态规划并非洪水猛兽，它更像是一种“聪明的穷举”，一种用空间换时间、记录中间结果以避免重复计算的思维方式。掌握它，关键在于找到那条从问题描述到状态定义的“通路”，并通过几个经典模型彻底打通任督二脉。今天，我们就抛开那些枯燥的定义，直接切入PTA上最富代表性的几道题目，用实战带你一步步拆解动态规划的核心思想，让你不仅会做题，更能理解其背后的思维逻辑，真正将其内化为解决复杂问题的利器。

1. 基石：理解动态规划的“状态”与“选择”

动态规划之所以高效，是因为它记住了“历史”。想象一下，你要爬一座10级的台阶，每次可以走1级或2级，问有多少种走法。如果你从第10级开始想，会非常复杂。但如果你从第1级开始思考：到第1级有1种方式（直接走1步），到第2级有2种方式（两次1步或一次2步）。那么到第3级呢？你只能从第1级走2步上来，或者从第2级走1步上来。所以，到第3级的方法数，就是到第1级的方法数加上到第2级的方法数。

这个简单的例子蕴含了动态规划的所有精髓：

状态 (State)：我们定义 dp[i] 为“到达第 i 级台阶有多少种方法”。这就是问题的状态，一个状态对应一个子问题的解。
状态转移方程 (Transition Equation)：dp[i] = dp[i-1] + dp[i-2] (i > 2)。这个方程描述了状态之间是如何演进的，它基于一个选择：最后一步是走1级还是走2级。
边界条件 (Base Case)：dp[1] = 1, dp[2] = 2。这是递推的起点，没有它们，整个大厦无从建起。
最优子结构 (Optimal Substructure)：问题的最优解（到第i级的方法数）可以由其子问题（到第i-1级和i-2级的方法数）的最优解推导出来。

在PTA的题目中，识别并定义出正确的“状态”是解题的第一步，也是最关键的一步。状态定义错了，后面全盘皆输。

提示：定义状态时，不妨多问自己几个问题：我想知道什么答案？这个答案能由更小规模的同类问题的答案组合得到吗？我需要哪些信息（一个值？两个维度？）才能唯一确定一个子问题？

2. 线性模型实战：最大子段和与编辑距离

线性结构（如数组、字符串）上的动态规划是最常见的入门题型。PTA上的“最大子段和”与“编辑距离”就是两个绝佳的范本。

2.1 最大子段和：从暴力到优雅的优化

题目要求很简单：给定一个可能包含负数的整数序列，找出连续子序列的最大和。例如 [-2, 11, -4, 13, -5, -2]，最大和是 11 + (-4) + 13 = 20。

暴力法的困境：最直接的想法是枚举所有子序列的起点和终点，计算其和，时间复杂度是 O(n³) 甚至 O(n²)，对于 n 最大为 10000 的PTA题目，必然超时。

动态规划的思维跃迁：我们换个角度思考。如果定义 dp[i] 为“以第 i 个元素结尾的所有连续子序列的最大和”，会怎样？

对于元素 nums[i]，以它结尾的子序列只有两种可能：
1. 它自己单独作为一个子序列，和为 nums[i]。
2. 它接在以 nums[i-1] 结尾的那个“最大和子序列”后面，和为 dp[i-1] + nums[i]。
那么，dp[i] 自然就是这两者中较大的那个：dp[i] = max(nums[i], dp[i-1] + nums[i])。
最终答案，就是所有 dp[i] 中的最大值。

这个思路的巧妙之处在于，它将一个二维的枚举问题（起点和终点），通过固定“终点”，转化为了一维的递推问题。我们只需要一次遍历就能得到答案。

def max_subarray_sum(nums):
    if not nums:
        return 0
    # dp_i 表示以 nums[i] 结尾的最大子段和
    # 我们不需要存储整个dp数组，只需记录前一个状态即可
    current_max = global_max = nums[0]
    for i in range(1, len(nums)):
        # 状态转移：要么自立门户，要么接上前面的队伍
        current_max = max(nums[i], current_max + nums[i])
        # 更新全局最大值
        global_max = max(global_max, current_max)
    # 根据题目要求，如果所有数都是负数，结果为0
    return max(global_max, 0)

# 示例
nums = [-2, 11, -4, 13, -5, -2]
print(max_subarray_sum(nums))  # 输出：20

标签