本篇博客的内容学习自"灵茶山艾府" 视频链接
从最后一个节点开始考虑,因为因为约束最小,设当前结点为i,如果不偷i结点,就考虑i-1个结点,如果偷i结点,就考虑i-2个节点,所以dfs(i)=max(dfs(i-1),dfs(i-2)+nums[i])
回溯代码
class Solution {
public:
int dfs(int i,vector<int>&nums)
{
if(i<0)
return 0;
return max(dfs(i-1,nums),dfs(i-2,nums)+nums[i]);
}
int rob(vector<int>& nums) {
return dfs(nums.size()-1,nums);
}
};
由于回溯代码的时间复杂度是指数级别的,所以超时了,但其中有很多重复计算,如果能存下来,可以大大降低时间复杂度
记忆化+回溯
class Solution {
public:
vector<int>cache=vector<int>(105,-1);
int dfs(int i,vector<int>&nums)
{
if(i<0)
return 0;
if(cache[i]!=-1)
return cache[i];
int res=max(dfs(i-1,nums),dfs(i-2,nums)+nums[i]);
cache[i]=res;
return res;
}
int rob(vector<int>& nums) {
return dfs(nums.size()-1,nums);
}
};
上述代码已经非常不错了,但是空间复杂度是O(n)的,那么可不可以改成O(1)呢,答案是可以的,在这之前我们先考虑如何用非递归的方式实现上述代码,容易发现上述代码是从上往下,递,再从下往上计算结果,这便是"归",所以可以保留"归"的过程,而舍弃"递"的过程.这便叫"递推".
从记忆化搜索到递推
dfs ---->f数组
递归 ------->循环
递归边界 ----->数组初始值
dfs(i)=max(dfs(i-1),dfs(i-2)+nums[i])
f[i]=max(f[i-1],f[i-2]+nums[i])
f[i+2]=max(f[i+1],f[i]+nums[i]) //下标都偏移一下(+2),防止产生负数下标
递推代码
class Solution {
public:
int rob(vector<int>& nums) {
int n=nums.size();
vector<int>f(n+2,0);
for(int i=0;i<nums.size();i++)
{
f[i+2]=max(f[i+1],f[i]+nums[i]);
}
return f[n+1];
}
};
递推的代码仍是O(n)的,而我们的目的是O(1) 观察我们的递推的公式,可以发现要计算f[i]只需知道f[i-1]与f[i-2],即上一个状态和上上一个状态,只要动态更新上一个状态和上上一个状态就行
空间复杂度O(1)代码
class Solution {
public:
int rob(vector<int>& nums) {
int n=nums.size();
int f0=0,f1=0,f2;
for(int i=0;i<nums.size();i++)
{
f2=max(f1,f0+nums[i]);
f0=f1;
f1=f2;
}
return f2;
}
};
这段代码就很完美了,O(n)的时间复杂度,O(1)的空间复杂度