一、介绍
本文解决几个问题:动态规划是什么?解决动态规划问题有什么技巧?如何学习动态规划?
1. 动态规划问题的一般形式就是求最值。动态规划其实是运筹学的一种最优化方法,只不过在计算机问题上应用比较多,比如说让你求最长递增子序列呀,最小编辑距离呀等等。
- 动态规划的核心思想就是穷举求最值,但只有列出正确的「状态转移方程」 ,才能正确地穷举。你需要判断算法问题是否具备「最优子结构」 ,是否能够通过子问题的最值得到原问题的最值。另外,动态规划问题存在「重叠子问题」,如果暴力穷举的话效率会很低,所以需要你使用「备忘录」或者「DP table」来优化穷举过程,避免不必要的计算。
以上提到的重叠子问题、最优子结构、状态转移方程就是动态规划三要素。
- 思维框架:明确 base case -> 明确「状态」-> 明确「选择」 -> 定义
dp
数组/函数的含义。
递归是自顶向下,动态规划是自底向上
- 带备忘录的递归和动态规划实际上是等价的,动态规划是从底层开始,一步一步完成对数组的完善,所以不需要备忘录,或者说dp数组本身就是备忘录,递归会遇到很多重复的子问题,所以需要备忘录来简化。
二、例题
例题1:斐波那契数
分析:
写出状态转移方程,写出基底,就可以开始自底向上构造了。
代码:
思路1:自底向上解法
cpp
class Solution {
public:
int fib(int n) {
if(n == 0 || n == 1){
return n;
}
int fib_1 = 1, fib_2 = 0;
int fib_i;
for(int i = 2; i<= n; i++){
fib_i = fib_1 + fib_2;
fib_2 = fib_1;
fib_1 = fib_i;
}
return fib_i;
}
};
思路2:自顶向下解法
cpp
class Solution {
public:
vector<int> diary;
int recursion(int n){
//基地
if(n == 0 || n == 1){
return n;
}
//查日记
if(diary[n] != -1){
return diary[n];
}
//日记没查到,更新日记,用递归更新它
diary[n] = recursion(n-1) + recursion(n-2);
//再查找日记本
return diary[n];
}
int fib(int n) {
diary.resize(n+1, -1);
return recursion(n);
}
};
例题2:零钱兑换
分析:
写出状态方程就可以了
代码:
思路1:带备忘录的递归
cpp
class Solution {
public:
vector<int> diary;
int dp(vector<int>& coins, int amount){
if(amount < 0){
return -1;
}
if(amount == 0){
return 0;
}
if(diary[amount] != 0){
return diary[amount];
}
int ans = INT_MAX;
for(int coin : coins){
int subsolution = dp(coins, amount - coin);
if(subsolution != -1){
ans = min(subsolution+1, ans);
}
}
diary[amount] = ans==INT_MAX ? -1:ans;
return diary[amount];
}
int coinChange(vector<int>& coins, int amount) {
diary.resize(amount+1, 0);
return dp(coins, amount);
}
};
不知道为什么把diary初始化为-1就会超时,推测是-1表示不可能的情况,有很多正数diary也是-1,就容易进入循环,但是0只有0这个情况。
思路2:dp迭代
cpp
class Solution {
public:
int coinChange(vector<int>& coins, int amount) {
vector<int> dp(amount + 1, INT_MAX-1);
//base situation
dp[0] = 0;
for(int i =0; i<=amount; i++){
for(int coin : coins){
if(i - coin < 0){
continue;
}
dp[i] = min(dp[i], dp[i-coin] + 1);
}
}
return dp[amount]==INT_MAX-1?-1:dp[amount];
}
};
例题3:最长递增子序列
分析:
首先要明确dp数组代表什么,这里是以 位置i数字 结尾的最长字序列长度,对于每个位置,比较前面的位置,只要它大于某个元素,就可以和那个元素的最长子序列组成新的最长子序列。
代码:
cpp
class Solution {
public:
int lengthOfLIS(vector<int>& nums) {
vector<int> dp(nums.size(), 1);
for(int i = 0; i< nums.size(); i++){
for(int j = 0; j<i; j++){
if(nums[i] > nums[j])
dp[i] = max(dp[i], dp[j] + 1);
}
}
return *max_element(dp.begin(), dp.end());
}
};
例题4:俄罗斯套娃信封问题
代码:
cpp
class Solution {
public:
int maxEnvelopes(vector<vector<int>>& envelopes) {
int n = envelopes.size();
sort(envelopes.begin(), envelopes.end(), [](vector<int>& a, vector<int>& b)->bool{
return a[0] == b[0]? a[1] > b[1] : a[0] < b[0];
});
vector<int> dp(n, 1);
for(int i = 0; i<n; i++){
for(int j = 0; j< i; j++){
if(envelopes[i][1] > envelopes[j][1]){
dp[i] = max(dp[i], dp[j] + 1);
}
}
}
return *max_element(dp.begin(), dp.end());
}
};
三、总结
i)斐波那契数列的问题,解释了如何通过「备忘录」或者「dp table」的方法来优化递归树,并且明确了这两种方法本质上是一样的,只是自顶向下和自底向上的不同而已。
ii)凑零钱的问题,展示了如何流程化确定「状态转移方程」,只要通过状态转移方程写出暴力递归解,剩下的也就是优化递归树,消除重叠子问题而已。
iii)二维数组也可以排序,要传入一个lamda表达式来说明排序的方式,第四题套娃问题,同样长的信封必须按宽的逆序排列,因为同样大小是不可以嵌套的,如果顺序排列,求最长递增子序列的时候就会多一个。