1、动态规划:
动态规划是一种算法的思想用于解决具有重叠子问题、最优子结构特征的问题。
重叠子问题:子问题是原问题的小版本。
最优子结构:大问题的最优解包含小问题的最优解,通过小问题可以推导出大问题。(把一 个大的问题拆分为小问题)。
例题1
楼梯有n个台阶,每次可以一步上一个台阶或者两个台阶。一个有多少种不同的上楼方式?
原问题:n个台阶的上楼方案数。
子问题:n - 1个台阶的上楼方案数,n - 2个台阶的上楼方案数、n - 3个台阶的上楼方案数....
最优子结构:子问题的最优解能否推出原问题的最优解?
要走到底n级台阶,要么从n - 1走一步过去,要么从n - 2一步走过去,因此得到第n个台阶的方案数等于n – 1个台阶方案数加 n – 1个台阶的方案数。
# dp[n]: 表示n个台阶的方案数
# dp[n] = dp[n - 1] + dp[n - 2]
# 边界条件:
# dp[1] = 1
# dp[2] = 2
n = int(input())
dp = [0] * (n + 1)
dp[1] = 1
dp[2] = 2
for i in range(3, n + 1):
dp[i] = dp[i - 1] + dp[i - 2]
print(dp[n])
动态规划分析步骤:
1、拆分子问题:将原问题拆分为子问题,找到问题之间的联系。
2、确定状态:此处的“状态”代指不同的子问题,例如前面dp[n]表示上n台阶的方案数,其中n 就是状态;确定状态就是确定问题需要几个维度的已知变量。一般是“前n个xxx为m的最大价 值/最小价值/方案数”等。
3、状态转移方程:转态(子问题)之间是如何转移,即一个状态由哪几个状态转移来,或者该状态可以转移到那些状态上。
4、实现:按照循环记忆化搜索等方式求解最终状态(答案)。
例题2、破损的楼梯
N, M = map(int, input().split())
# vis:标记数组标记破损的楼梯
vis = [0] * (N + 1)
dp = [0] * (N + 1)
a = list(map(int, input().split()))
MOD = 1000000007
# 把破损的楼梯标记出来
for i in a:
vis[i] = 1
dp[0] = 1
dp[1] = 1 - vis[1] # 如果第一个台阶是破损的则为0 否则为1
for i in range(2, N + 1):
# 如果vis[i]被标记过,则说明是破损的台阶直接跳过,永远不能到达破损的台阶所以方案为0
if vis[i]:
continue
dp[i] = (dp[i - 1] + dp[i - 2]) % MOD
print(dp[N])
例题3、安全序列
题目分析:
n, k = map(int, input().split())
dp = [0] * (n + 1)
# 初始化:不放置也是一种方案。
dp[0] = 1
mod = 1000000007
for i in range(1, n + 1):
if i - k - 1 < 0:
dp[i] = (dp[i - 1] + 1) % mod
else:
dp[i] = (dp[i - 1] + dp[i - k - 1]) % mod
print(dp[n])