动态规划的三种类型

动态规划的三种方法：⏫⏬💾

动态规划是一种用于解决复杂问题的算法。它通过将一个大问题分解为多个小问题，并把小问题的解保存下来，从而避免重复计算。本文将使用 Java 语言来讲解动态规划的三种方法：自顶向下（⏫） 、自底向上（⏬）和备忘录（💾）。这些方法被广泛应用于很多问题中，比如背包🎒问题、最短路径🚶‍♂️问题和字符串匹配🔗问题。我们会用多个例子来解释这些方法的原理、时间复杂度⏱️和空间复杂度💾。这些方法各具特点，适合于不同类型的问题，在实际应用中也各有优势和劣势，合理选择合适的方法可以大大提高算法的效率📈。

1. 自顶向下（⏫ 递归 + 备忘录 💾）

自顶向下方法是一种递归🔄方法。从原问题开始，逐步分解为更小的问题，直到找到最简单的子问题。为了避免重复计算，我们使用备忘录💾来存储中间结果。这种方式可以加快速度，也更容易理解，尤其适合问题本身具有递归结构的场景。自顶向下方法的一个关键点在于其递归特性，它能够快速找到问题的解决路径，但如果递归深度过大，也可能会导致栈溢出。因此，备忘录是这个方法中不可缺少的部分，它确保每个子问题只被求解一次，从而显著减少了不必要的重复计算。

示例 1：斐波那契数列 🔢

问题描述：计算斐波那契数列的第 n 项。

斐波那契数列是经典的动态规划问题，定义为前两项是 0 和 1，从第三项开始每一项等于前两项之和。自顶向下的方式非常适合这个问题，因为它可以自然地通过递归来定义整个过程，同时使用备忘录💾来避免对相同子问题的重复求解。

java 复制代码

import java.util.HashMap;

public class FibonacciTopDown {
    private HashMap<Integer, Integer> memo = new HashMap<>();

    public int fib(int n) {
        if (n <= 1) return n;
        return memo.computeIfAbsent(n, key -> fib(key - 1) + fib(key - 2));
    }

    public static void main(String[] args) {
        FibonacciTopDown fibCalculator = new FibonacciTopDown();
        System.out.println(fibCalculator.fib(10)); // 输出 55
    }
}

在这个实现中，我们通过递归求解斐波那契数列，并将已经计算过的值存储在 HashMap 中，避免了重复的计算过程。

数据变化表格 📊

n	结果
0	0
1	1
2	1
3	2
4	3
5	5
6	8
7	13
8	21
9	34
10	55

这种方式的优点在于直观、易于理解，尤其在处理递归性问题时非常简洁。但如果没有备忘录💾，递归会导致大量的重复计算，时间复杂度会从 O(n) 增加到指数级。

示例 2：背包问题 🎒

问题描述：给定一些物品的重量和价值，还有一个背包的容量，找到放入背包的物品组合，使得总价值最大。

背包问题也是经典的动态规划问题。在自顶向下方法中，我们可以把问题逐步分解为包含更少物品和更小容量的子问题。通过备忘录💾保存每个子问题的解，我们可以显著减少重复计算，从而提高算法效率📈。

java 复制代码

import java.util.HashMap;

public class KnapsackTopDown {
    private HashMap<String, Integer> memo = new HashMap<>();

    public int knapsack(int[] weights, int[] values, int capacity, int n) {
        if (n == 0 || capacity == 0) return 0;
        String key = n + "," + capacity;
        return memo.computeIfAbsent(key, k -> {
            if (weights[n - 1] > capacity) {
                return knapsack(weights, values, capacity, n - 1);
            } else {
                int include = values[n - 1] + knapsack(weights, values, capacity - weights[n - 1], n - 1);
                int exclude = knapsack(weights, values, capacity, n - 1);
                return Math.max(include, exclude);
            }
        });
    }

    public static void main(String[] args) {
        KnapsackTopDown solver = new KnapsackTopDown();
        int[] weights = {1, 2, 3, 8};
        int[] values = {10, 15, 40, 50};
        int capacity = 5;
        System.out.println(solver.knapsack(weights, values, capacity, weights.length)); // 输出 55
    }
}

在背包问题的自顶向下解决中，我们考虑每个物品是否放入背包，以及不同容量下的最优解，通过这种分解，问题被逐步解决。

数据变化表格 📊

物品编号	重量 ⚖️	价值 💰	当前容量 🎒	最大价值 💎
1	1	10	5	10
2	2	15	5	25
3	3	40	5	55
4	8	50	5	55

这种方式的优点是可以处理复杂的组合问题，通过递归实现分治，但递归深度较大时也容易导致性能问题。

示例 3：爬楼梯问题 🏃‍♂️

问题描述：你要爬 n 级台阶，每次可以爬 1 级或 2 级，问有多少种不同的方法可以到达楼顶。

这个问题也是一个典型的动态规划问题，可以通过递归解决并使用备忘录💾来保存中间结果。爬楼梯问题的递归定义非常简单，适合用自顶向下的方法进行解决。

java 复制代码

import java.util.HashMap;

public class ClimbStairsTopDown {
    private HashMap<Integer, Integer> memo = new HashMap<>();

    public int climbStairs(int n) {
        if (n <= 2) return n;
        return memo.computeIfAbsent(n, key -> climbStairs(key - 1) + climbStairs(key - 2));
    }

    public static void main(String[] args) {
        ClimbStairsTopDown solver = new ClimbStairsTopDown();
        System.out.println(solver.climbStairs(5)); // 输出 8
    }
}

数据变化表格 📊

n	方法数 🔢
1	1
2	2
3	3
4	5
5	8

这种方法使得递归的层数减少，同时通过备忘录保存已经计算过的结果，避免了重复求解，极大提高了算法的效率📈。

原理

使用递归来解决原问题，不断将其分解为更小的子问题。
使用 HashMap 💾 来存储每个子问题的结果，避免重复计算。
递归🔄加备忘录💾的结合使得算法既直观又高效，避免了指数级别的复杂度。

时间和空间复杂度

时间复杂度 ⏱️：O(n)，每个子问题只需要计算一次。
空间复杂度 💾：O(n)，需要存储中间结果和递归调用的栈空间。

2. 自底向上（⏬ 迭代）

自底向上是一种迭代的方法。它从最小的子问题开始，逐步构建到原问题的解。这种方法不需要递归调用，所以可以避免栈溢出问题。它通过一个数组来存储子问题的解，一步步推导出最终答案。相比于自顶向下，自底向上的方法更加适合于那些递归深度较大的问题，因为它可以有效地避免栈溢出的问题。

示例 1：斐波那契数列 🔢

问题描述：计算斐波那契数列的第 n 项。

通过自底向上的方式计算斐波那契数列的第 n 项，我们从最小的问题开始，一步一步向上计算，直到最终得到结果。这种方式通过迭代来替代递归，避免了递归栈溢出的问题。

java 复制代码

public class FibonacciBottomUp {
    public int fib(int n) {
        if (n <= 1) return n;
        int prev1 = 0, prev2 = 1;
        for (int i = 2; i <= n; i++) {
            int current = prev1 + prev2;
            prev1 = prev2;
            prev2 = current;
        }
        return prev2;
    }

    public static void main(String[] args) {
        FibonacciBottomUp fibCalculator = new FibonacciBottomUp();
        System.out.println(fibCalculator.fib(10)); // 输出 55
    }
}

数据变化表格 📊

i	prev1	prev2	current
2	0	1	1
3	1	1	2
4	1	2	3
5	2	3	5
6	3	5	8
7	5	8	13
8	8	13	21
9	13	21	34
10	21	34	55

这种方法的好处在于其空间复杂度较低，只需要常数的空间来存储当前值和前两个值。

示例 2：背包问题 🎒

问题描述：给定一些物品的重量和价值，还有一个背包的容量，找到放入背包的物品组合，使得总价值最大。

通过自底向上的方法，我们使用一个数组来记录每种容量下的最优解，从最小的容量开始，逐步向上计算到最终的目标容量。

java 复制代码

public class KnapsackBottomUp {
    public int knapsack(int[] weights, int[] values, int capacity) {
        int n = weights.length;
        int[] dp = new int[capacity + 1];
        for (int i = 0; i < n; i++) {
            for (int w = capacity; w >= weights[i]; w--) {
                dp[w] = Math.max(dp[w], values[i] + dp[w - weights[i]]);
            }
        }
        return dp[capacity];
    }

    public static void main(String[] args) {
        KnapsackBottomUp solver = new KnapsackBottomUp();
        int[] weights = {1, 2, 3, 8};
        int[] values = {10, 15, 40, 50};
        int capacity = 5;
        System.out.println(solver.knapsack(weights, values, capacity)); // 输出 55
    }
}

数据变化表格 📊

容量 🎒	dp[容量] (更新过程)
1	10
2	15
3	40
4	50
5	55

示例 3：爬楼梯问题 🏃‍♂️

问题描述：你要爬 n 级台阶，每次可以爬 1 级或 2 级，问有多少种不同的方法可以到达楼顶。

爬楼梯问题在自底向上的方法中，从最小的台阶数开始，逐步构建到最终的结果。

java 复制代码

public class ClimbStairsBottomUp {
    public int climbStairs(int n) {
        if (n <= 2) return n;
        int prev1 = 1, prev2 = 2;
        for (int i = 3; i <= n; i++) {
            int current = prev1 + prev2;
            prev1 = prev2;
            prev2 = current;
        }
        return prev2;
    }

    public static void main(String[] args) {
        ClimbStairsBottomUp solver = new ClimbStairsBottomUp();
        System.out.println(solver.climbStairs(5)); // 输出 8
    }
}

数据变化表格 📊

i	prev1	prev2	current
3	1	2	3
4	2	3	5
5	3	5	8

原理

从最小的子问题开始计算，逐步向上构建到原问题。
不使用递归🔄，避免了递归带来的开销。
自底向上的方法适用于递归深度较大可能导致栈溢出的情况。

时间和空间复杂度

时间复杂度 ⏱️：O(n)，需要计算每个子问题。
空间复杂度 💾：O(1)，只需要常数个变量来存储结果。

3. 备忘录（Memoization 💾）

备忘录方法和自顶向下类似，通过递归解决问题，但在计算过程中用一个缓存来存储中间结果。这样可以减少重复计算，提高效率。备忘录的方法结合了递归的直观性和缓存技术的高效性，是解决很多复杂问题的有效手段。

示例：最小路径和 🛤️

问题描述：给定一个 m x n 的网格，每个位置有一个非负整数，找到从左上角到右下角的最小路径和。

java 复制代码

import java.util.Arrays;

public class MinPathSumMemo {
    private int[][] memo;

    public int minPathSum(int[][] grid) {
        int m = grid.length;
        int n = grid[0].length;
        memo = new int[m][n];
        for (int[] row : memo) {
            Arrays.fill(row, -1);
        }
        return dfs(grid, m - 1, n - 1);
    }

    private int dfs(int[][] grid, int i, int j) {
        if (i < 0 || j < 0) return Integer.MAX_VALUE;
        if (i == 0 && j == 0) return grid[0][0];
        if (memo[i][j] != -1) return memo[i][j];
        int left = dfs(grid, i, j - 1);
        int up = dfs(grid, i - 1, j);
        memo[i][j] = grid[i][j] + Math.min(left, up);
        return memo[i][j];
    }

    public static void main(String[] args) {
        MinPathSumMemo solver = new MinPathSumMemo();
        int[][] grid = {{1, 3, 1}, {1, 5, 1}, {4, 2, 1}};
        System.out.println(solver.minPathSum(grid)); // 输出 7
    }
}

数据变化表格 📊

i \ j	0	1	2
0	1	4	5
1	2	7	6
2	6	8	7

原理

使用递归🔄来查找每个子问题的解，同时用数组💾记录每个位置的最小路径和。
避免对已经计算过的子问题重复求解。
结合了递归的易理解性和缓存技术的高效性。

时间和空间复杂度

时间复杂度 ⏱️：O(m * n)，每个位置只需要计算一次。
空间复杂度 💾：O(m * n)，用于存储每个位置的结果。

总结

方法	实现方式	时间复杂度 ⏱️	空间复杂度 💾	适用场景
自顶向下	递归 + 备忘录	O(n)	O(n)	递归易于理解的问题
自底向上	迭代 + 数组	O(n)	O(1)	递归深度过大时适用
自底向上优化	迭代 + 常量存储	O(n)	O(1)	需要优化空间时适用
备忘录	缓存递归中间结果	O(m * n)	O(m * n)	多维问题，减少重复计算

每种方法都有自己的优缺点。自顶向下的方法适合递归容易表达的问题，而自底向上适合需要避免深递归的问题。根据具体情况选择合适的方法，能够让问题的解决更加高效📈。掌握这三种动态规划的方法，并灵活使用它们，是解决复杂问题的重要技能🧠。