build

chapter_dynamic_programming/dp_solution_pipeline.md

@@ -102,7 +102,7 @@ $$
 
 根据以上分析，我们已经可以直接写出动态规划代码。然而子问题分解是一种从顶至底的思想，因此按照“暴力搜索 $\rightarrow$ 记忆化搜索 $\rightarrow$ 动态规划”的顺序实现更加符合思维习惯。
 
-### 方法一：暴力搜索
+### 1.   方法一：暴力搜索
 
 从状态 $[i, j]$ 开始搜索，不断分解为更小的状态 $[i-1, j]$ 和 $[i, j-1]$ ，包括以下递归要素：
 
@@ -326,7 +326,7 @@ $$
 
 每个状态都有向下和向右两种选择，从左上角走到右下角总共需要 $m + n - 2$ 步，所以最差时间复杂度为 $O(2^{m + n})$ 。请注意，这种计算方式未考虑临近网格边界的情况，当到达网络边界时只剩下一种选择。因此实际的路径数量会少一些。
 
-### 方法二：记忆化搜索
+### 2.   方法二：记忆化搜索
 
 我们引入一个和网格 `grid` 相同尺寸的记忆列表 `mem` ，用于记录各个子问题的解，并将重叠子问题进行剪枝。
 
@@ -588,7 +588,7 @@ $$
 
 <p align="center"> 图：记忆化搜索递归树 </p>
 
-### 方法三：动态规划
+### 3. &nbsp; 方法三：动态规划
 
 基于迭代实现动态规划解法。
 
@@ -895,7 +895,7 @@ $$
 
 <p align="center"> 图：最小路径和的动态规划过程 </p>
 
-### 状态压缩
+### 4. &nbsp; 状态压缩
 
 由于每个格子只与其左边和上边的格子有关，因此我们可以只用一个单行数组来实现 $dp$ 表。