算法学习笔记(8)-动态规划基础篇

目录

基础内容:

动态规划:

动态规划理解的问题引入:

解析:(暴力回溯)

代码示例:

暴力搜索:

Dfs代码示例:(搜索)

暴力递归产生的递归树:

记忆化搜索:

代码示例:

动态规划:

代码示例:(动态规划,从最小子问题开始)

执行过程(动态规划):

解析:(动态规划)

空间优化:

代码示例:

解析:


基础内容:

什么是动态规划,动态规划作为一种手段可以解决哪些问题,动态规划的分类,以及具体的分类可以解决的具体问题的分类。

动态规划:

是一个重要的算法范式,它将一个问题分解成一系列更小的子问题,并通过存储子问题解避免重复计算,从而大幅度提升时间效率。

动态规划理解的问题引入:

通过爬楼梯的案例来引入这个问题,给定一个共有n阶的楼梯,你每步可以上1阶或者2阶,请问有多少种方案可以爬到楼顶。

解析:(暴力回溯)

本题目的目标是求解方案数量,我们可以考虑通过回溯来穷举所有可能性。具体来说,将爬楼梯想象为一个多轮选择的过程:从地面出发,每轮选择上一阶或者二阶,每当达到楼梯顶部时就将方案数量加1,当越过楼梯顶部就将其剪枝。

代码示例

python 复制代码
# python代码示例
def backrack(choices,state,n,res) :
    if state == n :
        res[0] += 1 
    for choice in choices :
        if state + choice > n :
            continue
        backrack(choices,state+choice,n,res)
def climbing_stairs_backrack(n) :
    choices = [1,2]
    state = 0
    res = [0]
    backrack(choices,state,n,res)
    return res[0]
n = int(input())
print(climbing_stairs_backrack(n))
cpp 复制代码
// c++代码示例
void backrack(vector<int> &choices, int state, int n, vector<int> &res)
{
    if (state == n )
    {
        res[0]++ ;
    }
    for (auto &choice : choices)
    {
        if (state + choice > n)
        {
            continue ;
        }
        backrack(choices, state + choice, n, res)
    }
}

int climbingStairsBackrack(int n)
{    
    vector<int> choices = {1 , 2 } ;
    int state = 0 ;
    vector<int> res = [0] ;
    backrack(choices, state, n, res) ;
    return res[0] ;
}

暴力搜索:

回溯算法通常并不显式地对问题进行拆解,而是将问题看作一系列决策步骤,通过试探和剪枝,搜索所有可能的解。

我们可以尝试从问题分解的角度分析这道题。设爬到第i阶共有dp[i]中方案,那么dp[i]就是原问题,其子问题包括:

dp[i-1],dp[i-2],dp[1],dp[2]

由于每轮只能上1阶或者2阶,因此当我们站在第i阶楼梯上时,上一轮只可能站在第i-1或者i-2台阶上。换句话说,我们只能从第i-1阶或者第i-2阶迈向第i阶。

由此便可以得出一个重要的推论:爬到第i-1阶的方案加上爬到第i-2阶的方案数就等于爬到第i阶的方案数。公式如下:

dp[i] = dp[i-1] + dp[i-2]

这就意味着,爬楼问题中存在着递推的关系,原问题可由子问题的解构建来得到解决

Dfs代码示例:(搜索)

python 复制代码
# python 代码示例
def dfs(i : int) -> int :
    if i == 1 or i == 2 :
        return i
    count = dfs(i - 1) + dfs(i - 2)
    return count
def climbing_stairs_dfs(n : int) -> int :
    retunr dfs(n)
cpp 复制代码
// c++ 代码示例
int dfs(int i)
{
    if (i == 1 || i == 2)
    {
        return i ;
    }
    int count = dfs(i - 1) + dfs(i - 2);
    return count ;
}
int climbingStairsDFS(int n)
{
    retunr dfs(n) ;
}

暴力递归产生的递归树

解决上述递归树中的重复问题,采用记忆化搜索的方式,可以把大量重复构建的相同子树进行去掉,从而达到提高计算效率。(重叠子问题

记忆化搜索:

将所有重叠的子问题只进行一遍计算,需要声明一个数组nem来记录每个子问题的解,并在搜索过程中将重叠子问题剪枝。

  1. 当首次计算dp[i]时,将其记录在nem[i],便于后续的使用
  2. 当再次计算dp[i]时,直接在nem[i]中进行获取结果,避免重复子问题的计算。

代码示例:

python 复制代码
# python 代码示例
def dfs(i : int, mem : list[int]) -> int :
    if i == 1 or i == 2 :
        return i
    if mem[i] != -1 :
        return mem[i]
    count = dfs(i - 1, mem) + dfs(i - 2, mem)
    # 记录dfs(i)
    mem[i] = count
    return count
def climbing_stairs_dfs_mem(n : int) -> int :
    mem = [-1] * (n + 1)
    return dfs(n, mem)
cpp 复制代码
// c++ 代码示例
int dfs(int i, vector<int> &mem)
{
    if (i == 1 || i == 2)
    {
        return i ;
    }
    if (mem != -1)
    {
        return mem[i] ;
    }
    int count = dfs(i - 1, mem) + dfs(i - 2, mem) ;
    mem[i] = count ;
    return count ;
}
int climbingStairsDFSMem(int n)
{
    vector<int> mem(n + 1, -1) ;
    return dfs(n, mem) ; 
}

经过记忆化处理后,所有重叠的子问题都只计算一次,时间复杂度优化到了O(n)

动态规划:

记忆化搜索是一种"从顶至低"的方法,我们从原问题(根节点)开始,递归地将较大子问题分解成较小子问题,直至解已知的最小子问题(叶节点)。之后,通过回溯逐层收集子问题的解,构建出原问题的解。

与之相反,动态规划是一种"从底至顶"方法:从最小子问题的解开始,迭代地构建更大子问题的解,直至得到原问题的解。

由于动态规划不包含回溯过程,因此只需要使用循环迭代实现,无须使用递归。

代码示例:(动态规划,从最小子问题开始)

python 复制代码
# python 代码示例
def clibing_stairs_dp(n) :
    if n == 1 or n == 2 :
        return n
    dp = [0] * (n + 1)
    dp[1], dp[2] = 1, 2
    for i in range(3,n + 1) :
        dp[i] = dp[i-1] + dp[i- 2]
    return dp[n]
cpp 复制代码
// c++ 代码示例

int climbingStairsDP(int n) 
{
    if (n == 1 || n == 2)
    {
        retunr n ;
    }
    vector<int> dp(n + 1, -1) ;
    dp[1] = 1 ;    
    dp[2] = 2 ;
    for (int i = 3 ; i <= n ; i++)
    {
        dp[i] = dp[i - 1] + dp[i- 2] ;
    }
    return dp[n] ;
}

执行过程(动态规划):

解析:(动态规划)

相似于回溯算法,动态规划也使用"状态"概念来表示问题求解的特定阶段,每个状态都对应一个子问题以及相应的局部最优解。例:爬楼梯问题的状态定义为当前所在楼梯的阶数i

根据以上内容,我们可以总结为动态术语的常用术语:

  1. 将数组dp称为{dp表},dp[i]表示状态i对应子问题的解
  2. 将最小子问题对应的状态,(第一阶和第二阶楼梯)称为初始状态
  3. 将递推公式dp[i] = dp[i-1] + dp[i-2]称为状态方程

空间优化:

dp[i] 只跟 dp[i-1] 和 dp[i-2] 有关

无须使用一个数组来存储所有子问题的解,只需要两个变量滚动前进即可。

代码示例:

python 复制代码
# python 代码示例
def clibing_stairs_dp_comp(n) :
    if n == 1 or n == 2 :
        return n
    a, b = 1, 2
    for _ in range(3, n + 1) :
        a, b = b , a + b
    return b
cpp 复制代码
// c++ 代码示例
int climbingStairsComp(int n) 
{
    if (n == 1 || n == 2)
    {
        return n ;
    }
    int a = 1 , b = 2 ;
    for (int i = 3 ; i <= n ; i++)
    {
        int temp = b ;
        b = a + b ;
        a = temp ;
    }
    return b ;
}

解析:

省去了数组dp所占用的空间,空间复杂度由O(n)降为O(1)

在动态规划问题中,当前状态仅与前面有限个状态有关,这时我们可以只保留必要的状态,通过"降维"来节省内存空间**。这种空间优化技巧被称为"滚动变量"或"滚动数组"。**

相关推荐
Chef_Chen2 分钟前
从0开始机器学习--Day17--神经网络反向传播作业
python·神经网络·机器学习
千澜空22 分钟前
celery在django项目中实现并发任务和定时任务
python·django·celery·定时任务·异步任务
霍格沃兹测试开发学社测试人社区23 分钟前
软件测试学习笔记丨Flask操作数据库-数据库和表的管理
软件测试·笔记·测试开发·学习·flask
可均可可28 分钟前
C++之OpenCV入门到提高004:Mat 对象的使用
c++·opencv·mat·imread·imwrite
斯凯利.瑞恩29 分钟前
Python决策树、随机森林、朴素贝叶斯、KNN(K-最近邻居)分类分析银行拉新活动挖掘潜在贷款客户附数据代码
python·决策树·随机森林
今天我又学废了39 分钟前
Scala学习记录,List
学习
幸运超级加倍~43 分钟前
软件设计师-上午题-16 算法(4-5分)
笔记·算法
白子寰1 小时前
【C++打怪之路Lv14】- “多态“篇
开发语言·c++
yannan201903131 小时前
【算法】(Python)动态规划
python·算法·动态规划
埃菲尔铁塔_CV算法1 小时前
人工智能图像算法:开启视觉新时代的钥匙
人工智能·算法