动态规划算法入门

最新推荐文章于 2024-08-02 10:09:09 发布

排骨炖粉条

最新推荐文章于 2024-08-02 10:09:09 发布

阅读量514

点赞数 7

分类专栏：算法文章标签：算法动态规划

本文链接：https://blog.csdn.net/2201_75314884/article/details/137028293

版权

算法专栏收录该内容

21 篇文章 1 订阅

订阅专栏

本文介绍了动态规划的基本思想，包括最优子结构和重叠子问题，以及求解步骤。通过最长上升子序列的例子展示了如何应用动态规划。最后强调了动态规划在优化问题中的价值和实际应用中的技巧。

摘要由CSDN通过智能技术生成

动态规划算法入门

动态规划(Dynamic Programming, DP)是一种常用的算法设计技术,它通过将原问题分解为相对简单的子问题,并存储子问题的解来避免重复计算,最终获得原问题的最优解。本文将通过实例来介绍动态规划的基本原理和思路。

一、动态规划的基本思想

动态规划的基本思想是:将一个复杂的问题分解成若干个相互重叠的子问题,通过求解子问题来递推地求解原问题。动态规划算法的关键在于找到问题的最优子结构和重叠子问题。

最优子结构:问题的最优解包含其子问题的最优解。也就是说,可以通过子问题的最优解来构造原问题的最优解。
重叠子问题:在求解问题的过程中,多次遇到相同的子问题。若使用递归求解,会出现大量的重复计算。动态规划通过存储子问题的解来避免重复计算,提高效率。

二、动态规划的基本步骤

确定状态:将问题分解为若干个阶段,每个阶段对应一个状态。状态通常表示为一个或多个变量,用于描述问题的当前情况。
定义状态转移方程:根据问题的最优子结构,确定状态之间的转移关系,即如何从子问题的解推导出原问题的解。状态转移方程用于描述这种转移关系。
设置初始状态:确定问题的边界条件,即初始状态。
计算最优解:按照状态转移方程,递推地计算每个状态的最优值,直到求得原问题的最优解。

三、实例:最长上升子序列

问题描述:给定一个长度为n的数组,找出其最长的上升子序列的长度。上升子序列是指,子序列的元素单调递增,且子序列中的元素在原数组中的相对顺序与原数组一致。

例如,对于数组10, 9, 2, 5, 3, 7, 101, 18,其最长上升子序列为2, 5, 7, 101,长度为4。

确定状态:设dp[i]表示以第i个元素结尾的最长上升子序列的长度。
定义状态转移方程:对于第i个元素,我们需要考虑前面所有小于它的元素j(0 ≤ j < i),以第j个元素结尾的最长上升子序列加上第i个元素,就构成了以第i个元素结尾的最长上升子序列。因此,状态转移方程为:
dp[i] = max(dp[j] + 1), 其中0 ≤ j < i且nums[j] < nums[i]
设置初始状态:初始时,每个元素自身构成一个长度为1的上升子序列,因此dp[i]的初始值为1。
计算最优解:按照状态转移方程,递推地计算每个状态的最优值。最终,整个数组的最长上升子序列长度即为dp[i]中的最大值。

下面是C++代码实现:

class Solution {
public:
    int lengthOfLIS(vector<int>& nums) {
        int n = nums.size();
        vector<int> dp(n, 1);
        int maxLen = 1;
        
        for (int i = 1; i < n; i++) {
            for (int j = 0; j < i; j++) {
                if (nums[j] < nums[i]) {
                    dp[i] = max(dp[i], dp[j] + 1);
                }
            }
            maxLen = max(maxLen, dp[i]);
        }
        
        return maxLen;
    }
};