8年没涨工资，悄悄面了一家涨薪 50%，和领导说要是能涨薪 30%就留下，结果领导说:就你?涨5%都多了。。
虎哥约 4 分钟工作8年，工资没涨？这要是放在代码里，早就被删库跑路了吧！
有位网友吐槽，自己在公司干了8年，工资纹丝不动，心一横去面了个新工作，直接涨薪50%。但对老东家有感情，想着跟领导谈谈，涨个30%就继续干。结果领导一脸震惊：“就你？涨5%都多了。”
这不就是典型的“代码写得稳如老狗，工资却停滞不前”吗？
程序员的世界里，代码写久了会被优化，架构跑久了会升级，只有工资，可能会被“遗忘”在原地。老东家嘛，总觉得你是“老代码”，改动风险大，能用就行，没必要“重构”。可新公司呢？觉得你是“新框架”，性能强，直接上生产，给的薪资也豪爽。
所以，涨薪这事，靠的不是感情，而是“市场定价”。别指望领导良心发现，手里有个更好的offer，才是最硬核的谈判筹码。【备注:文末可领最新资料】。
算法题：粉刷房子
刷房子这事儿，我是熟的——当然，不是现实里拿着刷子去涂墙，而是算法里那种“粉刷房子”问题。
这个问题一看就像是装修预算优化，但实际上，考察的是动态规划（Dynamic Programming，简称 DP）的思维。
问题大概是这样的：有一排房子，每个房子可以涂成三种颜色之一，但相邻的房子不能是同一种颜色。每个颜色的粉刷成本不同，求最小的粉刷总成本。
说白了，就是找出一种刷墙策略，既能省钱，又不违规（相邻不同色）。要是现实中装修也能这么优化就好了，每个包工头都得来刷一遍 DP 了。😂
好，那我们来看怎么搞：
首先，定义一个 costs 数组，它是 n x 3 形态的，其中 costs[i][j] 代表粉刷第 i 号房子，使用颜色 j（0-红，1-蓝，2-绿）所需的费用。
costs = [
[17, 2, 17],
[16, 16, 5],
[14, 3, 19]
]
看到这种“最优决策 + 约束条件”，标准的动态规划问题啊！
我们定义 dp[i][j] 表示粉刷到第 i 号房子，并且选 j 颜色时的最小总费用。那么这个问题的状态转移方程就很清楚了：
dp[i][0] = min(dp[i-1][1], dp[i-1][2]) + costs[i][0]
dp[i][1] = min(dp[i-1][0], dp[i-1][2]) + costs[i][1]
dp[i][2] = min(dp[i-1][0], dp[i-1][1]) + costs[i][2]
意思是：当前房子的某种颜色 j，需要从上一个房子非 j 的两种颜色中选择最小的成本，再加上当前房子的刷漆成本。简单来说，每次选择时要避开前一个房子的颜色，并累加最小花费。
我们可以直接优化掉 dp 数组，因为 dp[i] 只依赖于 dp[i-1]，所以用三个变量就能搞定，来看看代码：
def minCost(costs):
if not costs:
return 0 # 初始化前一个房子的最小花费
prev_red, prev_blue, prev_green = costs[0]
# 从第二个房子开始计算
for i in range(1, len(costs)):
curr_red = min(prev_blue, prev_green) + costs[i][0]
curr_blue = min(prev_red, prev_green) + costs[i][1]
curr_green = min(prev_red, prev_blue) + costs[i][2]
# 更新前一个房子的花费
prev_red, prev_blue, prev_green = curr_red, curr_blue, curr_green
return min(prev_red, prev_blue, prev_green)
# 试运行
costs = [
[17, 2, 17],
[16, 16, 5],
[14, 3, 19]
]
print(minCost(costs)) # 输出 10
时间复杂度： O(n) ，因为我们只遍历了一遍房子列表。
空间复杂度： O(1) ，因为只用了几个额外变量，没用额外数组。
你看，这题就像是现实生活中的租房问题：
你想租个便宜的房子（最低花费） 但又不能住在太离谱的地方（相邻颜色不同） 还得规划未来几个月的预算（动态规划）
要是现实中租房也能这么计算就好了，直接 dp 选出最优解，既能便宜又能避开奇葩室友，简直是房租优化算法 😂。
所以，刷房子这题，核心思路就是 递推+状态压缩，一步一步从最优子结构推导全局最优解。学会这个套路，啥装修预算、购房决策、人生规划，通通拿 DP 来算！（当然，人生要是能这样优化就好了……😆）
对编程、职场感兴趣的同学，大家可以联系我微信：golang404，拉你进入“程序员交流群”。