动态规划：特朗普怎样才能赢？

美国大选正在如火如荼进行当中，假如你是特朗普的竞选助手，大选前要去各州开展竞选宣传活动，但是现在你只有 10天 时间，没有办法每个州都去，需要根据各州的重要性和时间花费拿出一套方案，否则就将被特朗普fire掉。

假设每个州初始情况都是中立的，只要去开展宣传活动就能获得选票， 每个州的选举人票数是不一样的，但是票数越多的州需要花费的时间也越多 ，在时间有限的情况下，你该怎么安排行程，让竞选的胜算更大呢？

下面是每个州的选举人票数：

为了把问题简化，我们这里只考虑取选票数前10的州，time字段表示去这个州宣传活动所需的时间，单位是天：

all_states = [
    {'name':'加利福尼亚州', 'votes':55, 'time':5},
    {'name':'德克萨斯州', 'votes':38, 'time':3},
    {'name':'佛罗里达州', 'votes':29,'time':2},
    {'name':'纽约州', 'votes':29, 'time':2},
    {'name':'伊利诺伊州', 'votes':20, 'time':1},
    {'name':'宾西法利亚州', 'votes':20,'time':1},
    {'name':'俄亥俄州','votes':18,'time':1},
    {'name':'密歇根州','votes':16,'time':1},
    {'name':'乔治亚州', 'votes':16,'time':1},
    {'name':'北卡罗来纳州', 'votes':15,'time':1}
]

递归求解

第一种办法，递归求解。

对于每一个州，你有两种选择：去或者不去。

如果去，则获得的选票是：这个州的选票 + 剩下时间里去剩下州能获得的最多票数

如果不去，则获得的选票是：剩下时间（这一次不去就没花时间）里去剩下州能获得的最多票数。

最后，比较去或者不去的结果，选择更优的方案。

这里，把 剩下时间里去剩下州能获得的最多票数 定义为一个函数，随着上面问题的拆解，不断递归：

# 递归解决
# 在指定索引后的州中，剩余时间内，能获得的最多选票
def recurse_solution(states, index, time):

    if len(states) == 0 or index >= len(states) or time <= 0:
        return 0

    # 去这个州(时间还够的话)
    a = 0
    if states[index]['time'] <= time:
        a = states[index]['votes'] + recurse_solution(states, index + 1, time-states[index]['time'])

    # 不去这个州
    b = recurse_solution(states, index + 1, time)

    return max(a, b)

def main():
    print("max votes: %d" % recurse_solution(all_states, 0, 10))

记忆化搜索

上面的递归过程，如同一个二叉树，从根节点不断分叉成：去 / 不去 两个分支，直到叶子节点（剩下州或剩下时间为0）。

然后选出各个路径中和最大的那一条。

递归求解会有很多重叠子问题，就如同那个二叉树中会有很多重叠的子树，重复计算浪费很多时间。

新的方案中引入一个记忆存储memo，定义为 指定索引后的州中，剩余时间内，能获得的最多选票 ，每次计算完后将其记录在案，后续遇到直接查表，不再重复计算：

# 引入记忆化搜索
# memo[index][time]: 在指定索引后的州中，剩余时间内，能获得的最多选票
memo = [[0 for i in range(100)] for j in range(100)]
def memo_search_solution(states, index, time):

    if len(states) == 0 or index >= len(states) or time <= 0:
        return 0

    # 如果记忆表中存有历史结果，直接使用
    if memo[index][time] != 0:
        return memo[index][time]

    # 去这个州(时间还够的话)
    a = 0
    if states[index]['time'] <= time:
        a = states[index]['votes'] + memo_search_solution(states, index + 1, time-states[index]['time'])

    # 不去这个州
    b = memo_search_solution(states, index + 1, time)

    # 记录这次结果，供下次使用
    memo[index][time] = max(a, b)

    return max(a, b)

def main():
    print("max votes: %d" % memo_search_solution(all_states, 0, 10))

动态规划

上面的递归和引入记忆化搜索后的递归，都是 自顶向下 的思考这个问题：在去与不去两种方案中选择。接着再继续在子问题中再次思考去与不去。

而动态规划则调转枪头， 自下而上 。

先解决只有1个州，只有1天时间，能获得的最大选票

再解决有2个州，只有1天时间，能获得的最大选票

···

再解决全部州，只有1天时间，能获得的最大选票

再解决全部州，有2天时间，能获得的最大选票

···

最后解决全部州，有10天时间，能获得的最大选票

如同正在进行的人口普查，下面每个街道的数据知道了，想知道这个区县的数据就容易了。

知道了每个区县的数据，想知道这个市的数据就容易了。

知道了每个市的数据，想知道这个省的就容易了。

以此类推。

## 动态规划解决
def dp_solution(states, time):

    # memo[index][time]: 在指定索引后的州中，剩余时间内，能获得的最多选票
    memo = [[0 for i in range(time+1)] for j in range(len(states)+1)]

    for i in range(1, len(states) + 1):
        for j in range(1, time+1):
            if states[i - 1]['time'