文章目录
题目链接
题目说明
给定一个包含非负整数的 m x n 网格 grid，请找出一条从左上角到右下角的路径，使得路径上的数字总和为最小。
说明：每次只能向下或者向右移动一步。
示例 1：
输入：grid = [[1,3,1],[1,5,1],[4,2,1]]
输出：7
解释：因为路径 1→3→1→1→1 的总和最小。示例 2：
输入：grid = [[1,2,3],[4,5,6]]
输出：12约束条件：
- m == grid.length
- n == gridi.length
- 1 <= m, n <= 200
- 0 <= gridij <= 200
问题分析
这是一道经典的动态规划问题。我们需要从起点 (0,0) 走到终点 (m-1, n-1)，每次只能向右或向下移动，目标是找到路径和最小的路径。
问题分析
路径限制
目标函数
解法思路
只能向右移动
只能向下移动
最小化路径和
动态规划
空间优化
解法一：二维动态规划
算法原理
使用二维数组 dp[i][j] 表示从起点 (0,0) 到达位置 (i,j) 的最小路径和。
状态转移方程：
- 当 i = 0, j = 0 时：
dp[0][0] = grid[0][0] - 当 i = 0 时（第一行）：
dp[0][j] = dp[0][j-1] + grid[0][j] - 当 j = 0 时（第一列）：
dp[i][0] = dp[i-1][0] + grid[i][0] - 其他情况：
dp[i][j] = min(dp[i-1][j], dp[i][j-1]) + grid[i][j]
思路流程图
i,j
完成
开始
初始化dp数组
dp_0_0 = grid_0_0
填充第一行
填充第一列
遍历剩余单元格
dp_i_j = min
dp_i-1_j, dp_i_j-1
- grid_i_j
返回dp_m-1_n-1
结束
Java代码实现
java
class Solution {
public int minPathSum(int[][] grid) {
int m = grid.length;
int n = grid[0].length;
// 创建dp数组
int[][] dp = new int[m][n];
// 初始化起点
dp[0][0] = grid[0][0];
// 初始化第一行
for (int j = 1; j < n; j++) {
dp[0][j] = dp[0][j - 1] + grid[0][j];
}
// 初始化第一列
for (int i = 1; i < m; i++) {
dp[i][0] = dp[i - 1][0] + grid[i][0];
}
// 填充其余位置
for (int i = 1; i < m; i++) {
for (int j = 1; j < n; j++) {
dp[i][j] = Math.min(dp[i - 1][j], dp[i][j - 1]) + grid[i][j];
}
}
return dp[m - 1][n - 1];
}
}复杂度分析
- 时间复杂度：O(m × n)，需要遍历整个网格一次
- 空间复杂度：O(m × n)，需要额外的二维数组存储dp值
解法二：一维动态规划（空间优化）
算法原理
观察状态转移方程，我们发现计算 dp[i][j] 时只需要 dp[i-1][j]（上方）和 dp[i][j-1]（左方）的值。因此可以使用一维数组进行空间优化。
使用一维数组 dp[j] 表示当前行到达第 j 列的最小路径和。在更新过程中：
dp[j]更新前存储的是上一行第 j 列的值（相当于dp[i-1][j]）dp[j-1]存储的是当前行第 j-1 列的值（相当于dp[i][j-1]）
优化思路图
二维数组 m×n
观察依赖关系
只依赖上方和左方
使用一维数组
空间复杂度 O_n_
Java代码实现
java
class Solution {
public int minPathSum(int[][] grid) {
int m = grid.length;
int n = grid[0].length;
// 只需要一维数组
int[] dp = new int[n];
// 初始化第一行
dp[0] = grid[0][0];
for (int j = 1; j < n; j++) {
dp[j] = dp[j - 1] + grid[0][j];
}
// 逐行更新
for (int i = 1; i < m; i++) {
// 更新当前行的第一列
dp[0] = dp[0] + grid[i][0];
// 更新当前行的其他列
for (int j = 1; j < n; j++) {
dp[j] = Math.min(dp[j], dp[j - 1]) + grid[i][j];
}
}
return dp[n - 1];
}
}复杂度分析
- 时间复杂度：O(m × n)，仍需遍历整个网格
- 空间复杂度：O(n)，只需要长度为 n 的一维数组
解法三：原地修改（终极优化）
算法原理
如果允许修改原数组，可以直接在 grid 数组上进行动态规划，无需额外空间。
Java代码实现
java
class Solution {
public int minPathSum(int[][] grid) {
int m = grid.length;
int n = grid[0].length;
// 初始化第一行
for (int j = 1; j < n; j++) {
grid[0][j] += grid[0][j - 1];
}
// 初始化第一列
for (int i = 1; i < m; i++) {
grid[i][0] += grid[i - 1][0];
}
// 填充其余位置
for (int i = 1; i < m; i++) {
for (int j = 1; j < n; j++) {
grid[i][j] += Math.min(grid[i - 1][j], grid[i][j - 1]);
}
}
return grid[m - 1][n - 1];
}
}复杂度分析
- 时间复杂度：O(m × n)
- 空间复杂度：O(1)，不需要额外空间
解法对比
解法对比
二维DP
时间: O_m×n_
空间: O_m×n_
易理解
一维DP
时间: O_m×n_
空间: O_n_
空间优化
原地修改
时间: O_m×n_
空间: O_1_
修改原数组
示例演示
以示例 1 为例：grid = [[1,3,1],[1,5,1],[4,2,1]]
二维DP过程
初始网格: dp数组构建过程:
1 3 1 1 4 5
1 5 1 → 2 7 6
4 2 1 6 8 7
最小路径和 = 7
路径: 1→3→1→1→1状态转移示例
(0,0)
值:1
路径和:1
(0,1)
值:3
路径和:4
(1,0)
值:1
路径和:2
(1,1)
值:5
路径和:7
(2,2)
值:1
路径和:7
总结
本题是动态规划的经典问题，核心在于找到状态转移方程。三种解法的时间复杂度相同，但空间复杂度逐步优化：
- 二维DP：最直观，适合初学者理解
- 一维DP：空间优化，实际应用推荐
- 原地修改：极致优化，但会修改原数组
在实际面试中，建议先说明二维DP思路，再提出空间优化方案，展现对算法的深入理解。