动态规划入门：如何用Java解决PTA上的回文串和矩阵链相乘问题？

动态规划实战：从回文串构造到矩阵链乘优化，用Java攻克PTA经典难题

算法学习路上，动态规划（Dynamic Programming, DP）常常是那道分水岭。很多朋友在初次接触时，会被它“状态”、“转移方程”、“最优子结构”这些术语绕晕，感觉懂了概念，一遇到PTA（程序设计类实验辅助教学平台）上的题目又无从下手。我自己刚开始刷题时也这样，对着“回文串”和“矩阵链相乘”这类题目发愣，明明知道是动态规划，却不知道如何把问题拆解成代码。

这篇文章，我想和你一起，像解谜一样，把这两个PTA上的经典动态规划问题彻底搞懂。我们不只满足于AC（Accept），更要理解背后的设计思路，知道为什么这么定义状态，以及如何写出清晰、高效的Java代码。你会发现，一旦掌握了核心的思考框架，很多动态规划问题都会变得有迹可循。

1. 动态规划思维重塑：从“记忆化搜索”到“自底向上”

在直接切入具体问题前，我们有必要统一一下对动态规划本质的理解。很多人把它等同于“填表格”，这没错，但容易流于形式。我更愿意把它看作一种 “聪明的暴力搜索”。

想象一下，你要计算斐波那契数列的第n项。最直接的递归写法是 fib(n) = fib(n-1) + fib(n-2)。但你会发现，计算 fib(5) 时，fib(3) 被重复计算了多次。动态规划的核心思想就是：把已经解决过的子问题的答案存起来，避免重复计算。

这引出了动态规划的两个关键实现方式：

• 记忆化搜索（自顶向下）：在递归函数中，加入一个缓存（比如数组或哈希表），每次计算前先查缓存，算完后存入缓存。这更符合人类的自然思维——从大问题分解到小问题。
• 递推（自底向上）：先解决最小的子问题，然后逐步组合，解决更大的问题。这就是我们常说的“填表法”，通常用循环实现，效率更高，也是PTA题目中最常见的考察形式。

对于PTA的编程题，我们通常采用递推方式，因为它代码结构清晰，且避免了递归可能带来的栈溢出风险。一个通用的思考流程可以总结为以下几步：

1. 定义状态：用 dp[i] 或 dp[i][j] 这样的数组表示什么？它必须能够描述问题在某个阶段的情况。
2. 确定状态转移方程：这是最核心的一步。找出 dp[i] 和之前状态（如 dp[i-1], dp[i-2] 等）之间的关系。这本质上是一个递推公式。
3. 初始化：最小的、不可再分的子问题答案是什么？这通常是 dp[0], dp[1] 或 dp[i][i] 的值。
4. 确定计算顺序：为了保证在计算当前状态时，它所依赖的子状态都已经被计算出来，我们需要确定正确的循环顺序。
5. 返回结果：最终答案对应的是哪个状态？是 dp[n]，还是 dp[0][m]？

提示：在纸上画一画状态表，手动模拟一下前几步的填充过程，是理解动态规划极其有效的方法，能帮你直观地验证转移方程是否正确。

下面，我们就带着这个“五步思考法”，去破解两个具体的难题。

2. 回文串构造问题：寻找“最长的回文子序列”

PTA上的题目描述通常是：给定一个字符串，可以在任意位置添加字符，求使其变成回文串所需的最少添加字符数。

例如：输入 "Ab3bd"，输出 2（可以添加两个字符变成 "dAb3bAd" 或 "Adb3bdA"）。

2.1 问题转化与状态定义

直接思考“添加几个字符”可能有点绕。我们换个角度：一个字符串添加字符变成回文串，等价于保留原字符串中的部分字符构成一个回文子序列，然后为不在这个子序列里的字符在对称位置补上对应的字符。

因此，最少添加字符数 = 原字符串长度 - 原字符串中最长回文子序列（Longest Palindromic Subsequence, LPS）的长度。

这样一来，问题就变成了经典的最长回文子序列问题。我们的状态可以定义为： dp[i][j]：表示字符串 s 中从下标 i 到下标 j（包含两端）的子串中，最长回文子序列的长度。

这里 i 和 j 代表子串的左右边界。我们的目标是求出 dp[0][n-1]（n 为字符串长度）。

2.2 推导状态转移方程

如何求 dp[i][j] 呢？我们考虑子串的两端字符 s.charAt(i) 和 s.charAt(j)：

• 情况一：两端字符相等