动态规划理论基础:
什么是动态规划:
如果某一问题有很多重叠子问题,那么就适用于动态规划(Dynamic Programming简称DP)。
动态规划每个状态是由上一个状态推导得到的,这就是与贪心的区别,贪心是局部直接选最优,与上一个状态没有关系
动态规划解题步骤(※):
五部曲:
1.确定dp数组以及下标的含义
2.确定递推公式
3.dp数组如何初始化
4.确定遍历顺序
5.举例推导dp数组
动态规划如何debug(※):
① 代码出现问题最好把dp数组打印出来,查看是否是按照自己的思路进行推导的。
② 如果打印出来和自己预先模拟推导是一样的,那么就是递推公式、初始化或者遍历顺序的问题;如果不一样,代码实现细节的问题==?==
③ 写代码前将状态转移在dp数组上的具体情况模拟一遍,确定最后推出的是想要的结果。然后再写代码。
LeetCode 509.斐波那契数:
思路:
动态规划五部曲:
首先我们使用一维数组来保存递推的结果
① dp数组及下标含义:
dp[i]的含义为:第 i 个数(i从0开始)的斐波那契数值为dp[i]
② 递推公式:
dp[n] = dp[n - 1] + dp[n - 2] , n > 1
③ 如何初始化
dp[0] = 0
dp[1] = 1
④ 遍历顺序
由递推公式dp[n] = dp[n - 1] + dp[n - 2]可知,dp[n]要用到dp[n - 1]和dp[n - 2]的信息,因此遍历顺序为从前往后。
⑤ 举例推导dp数组
n = 5
python3
class Solution:
def fib(self, n: int) -> int:
if n < 2:
return n
# 初始化dp数组
dp = [0] * (n + 1)
dp[1] = 1
# 递推
for i in range(2, n + 1):
dp[i] = dp[i - 1] + dp[i - 2]
return dp[n]
时间复杂度:O(n)
空间复杂度:O(n)
实际上只需要维护两个数值,不需要记录整个序列
python3
class Solution:
def fib(self, n: int) -> int:
if n < 2:
return n
# 只需要用两个变量保存前面的数即可
dp = [0, 1]
for i in range(2, n + 1):
sumDp = dp[0] + dp[1]
dp[0] = dp[1]
dp[1] = sumDp
return dp[1]
时间复杂度:O(n)
空间复杂度:O(1)
感悟:
熟悉了动态规划五部曲。
含义、递推、初始化、遍历顺序、举例
LeetCode 70.爬楼梯:
思路:
动态规划五部曲:
本次我们还是使用一维数组保存递推结果
① dp数组及下标含义:
dp[i]:表示上到第 i 阶台阶有dp[i]种方法
② 递推式:
模拟几次就知道,上到第 i 阶台阶,既可以从第 i - 1阶上一步,也可以从第 i - 2阶上两步,因此上到第 i 阶台阶的方法数为上到第 i - 1阶的方法 + 上到第 i - 2阶的方法
dp[i] = dp[i - 1] + dp[i - 2]
③ 如何初始化:
dp[1] = 1,那么接下来是否需要初始化dp[0]
1)按照题目意思解析dp[0]应当为0,因此呆在原地不动
2)按照dp[2]来的话,dp[0]应当为1。
但是题目中给出的n从1开始,dp[0]无意义。
因此直接初始化为
dp[1] = 1, dp[2] = 2
④ 遍历方式:
根据递推式,dp[i]需要用到dp[i - 1]和dp[i - 2]的信息,因此是从前往后遍历
⑤ 举例推导
n = 5
python3
"""
正常使用dp数组
"""
class Solution:
def climbStairs(self, n: int) -> int:
if n == 1:
return 1
# 初始化
dp = [1] * (n + 1)
dp[2] = 2
for i in range(3, n + 1):
dp[i] = dp[i - 1] + dp[i - 2]
return dp[n]
"""
简化,因为只用到了前面两个元素,因此只采用两个变量保存
"""
class Solution:
def climbStairs(self, n: int) -> int:
if n == 1:
return 1
# 初始化
dp = [0, 1, 2]
for i in range(3, n + 1):
sumDp = dp[1] + dp[2]
dp[1] = dp[2]
dp[2] = sumDp
return dp[2]
感悟:
进一步熟悉了动态规划五部曲
LeetCode 746.使用最小花费爬楼梯:
思路:
从第 i - 1 阶台阶向上跳需要花费 cost[i - 1]
动态规划五部曲 :
还是使用一维数组记录递推的结果
① dp数组及下标含义:
dp[i]:表示到达第 i 阶台阶的最低花费为dp[i]
② 递推式:
到达第 i 阶台阶有两种:
1)从第 i - 1 阶到达,花费为dp[i - 1] + cost[i - 1]
2)从第 i - 2阶到达,花费为dp[i - 2] + cost[i - 2]
因为要求最低花费,因此是两个求最小
dp[i] = min(dp[i - 1] + cost[i - 1], dp[i - 2] + cost[i - 2])
③ 初始化
能从下标为0或下标为1的台阶开始爬楼梯,而支付费用只是从楼梯向上爬,因此开始的第一步是不需要支付费用的。因此第一步的花费最低为0,即dp[0] = dp[1] = 0
dp[0] = dp[1] = 0 # dp[i]是最低花费
④ 遍历顺序:
dp[i]需要用到dp[i - 1]和dp[i - 2]的信息,因此遍历顺序为从前往后
⑤ 举例推导
cost = [1, 100, 1, 1, 1, 100, 1, 1, 100, 1]
下图中的箭头表示dp[i]是由哪阶台阶跳过来的,其中红色的箭头表示最低花费的向上爬到楼顶的跳法
python3
"""
正常使用dp数组
"""
class Solution:
def minCostClimbingStairs(self, cost: List[int]) -> int:
n = len(cost) # 楼顶
dp = [0] * (n + 1) # 初始化
for i in range(2, n + 1):
dp[i] = min(dp[i - 1] + cost[i - 1], dp[i - 2] + cost[i - 2])
return dp[n]
"""
实际上只需要用到两个变量记录即可
"""
class Solution:
def minCostClimbingStairs(self, cost: List[int]) -> int:
# n = len(cost) # 楼顶
# dp = [0] * (n + 1) # 初始化
dp = [0, 0] # 默认第一步都是不花费体力的
for i in range(2, len(cost) + 1):
minDp = min(dp[0] + cost[i - 2], dp[1] + cost[i - 1])
dp[0] = dp[1]
dp[1] = minDp
return dp[1]
感悟:
动态规划五部曲很好用
学习收获:
学习并实践了动态规划五部曲。
今天动态规划的题目的递推式为斐波那契数的变形