最后
整理的这些资料希望对Java开发的朋友们有所参考以及少走弯路,本文的重点是你有没有收获与成长,其余的都不重要,希望读者们能谨记这一点。
其实面试这一块早在第一个说的25大面试专题就全都有的。以上提及的这些全部的面试+学习的各种笔记资料,我这差不多来回搞了三个多月,收集整理真的很不容易,其中还有很多自己的一些知识总结。正是因为很麻烦,所以对以上这些学习复习资料感兴趣,
f(27) = min{f(27-2)+1, f(27-5)+1, f(27-7)+1}
第二步,转移方程,把问题方程化。
f[X] = min{f[X-2]+1, f[X-5]+1, f[X-7]+1}(动态规划都是要开数组,所以这里改用方括号表示)
实际面试中求解动态规划类问题,正确列出转移方程正确基本上就解决一半了。
但是请问:这与递归有什么不同??
递归的解法:
// f(X)返回最少用多少枚硬币拼出Xint f(int X) {// 0元钱只要0枚硬币if (X == 0) return 0;// 初始化用无穷大(为什么是正无穷?)int res = MAX_VALUE;// 最后一枚硬币是2元if (X >= 2) {res = Math.min(f(X – 2) + 1, res);}// 最后一枚硬币是5元if (X >= 5) {res = Math.min(f(X – 5) + 1, res);}// 最后一枚硬币是7元if (X >= 7) {res = Math.min(f(X – 7) + 1, res);}return res;}
执行图如下:
要算f(27),就要递归f(25)、f(22)、f(20),然后下边依次递归……(三角形表示)。
问题明显——重复递归太多。
这是求f(27),还可以勉强递归。如果求f(100)呢?简直是天文数字。最终结果就是递归超市。
求总体最值,一定优先考虑动态规划不要憨憨的去递归。
插入一下~
需要掌握的动态规划面试解题技巧还包括坐标型、位操型、序列型、博弈型、背包型、双序列以及一些高难面试题解。
本文篇幅有限无法逐一讲清,大家来白嫖我的在线分享吧(纯干货)。
第三步,按照实际逻辑设置边界情况和初始条件。
**【必做】**否则即使转移方程正确也大概率无法跑通代码。
f[X] = min{f[X-2]+1, f[X-5]+1, f[X-7]+1}的边界情况是[x-2]/[x-5]/[x-7]不能小于0(硬币面值为正),也不能高于27。
故对边界情况设定如下:
如果硬币面值不能组合出Y,就定义f[Y]=正无穷例如f[-1]=f[-2]=…=正无穷;f[1] =min{f[-1]+1, f[-4]+1,f[-6]+1}=正无穷,
**特殊情况:**本题的F[0]对应的情况为F[-2]、F[-5]、F[-7],按照上文的边界情况设定结果是正无穷。
但是实际上F[0]的结果是存在的(即使用0个硬币的情况下),F[0]=0。可是按照我们刚刚的设定,F[0]=F[0-2]+1= F[-2]+1=正无穷。
岂不是矛盾?
这种用转移方程无法计算,但是又实际存在的情况,就必须通过手动定义。
这里手动强制定义初始条件为:F[0]=0.
而从0之后的数值是没矛盾的,比如F[1]= F[1-2]+1= F[-1]+1=正无穷(正无穷加任何数结果还是正无穷);F[2]= F[2-2]+1= F[0]+1=1……
第四步,确定计算顺序并计算求解
那么开始计算时,是从F[1]、F[2]开始呢?还是从F[27]、F[26]开始呢?
判断计算顺序正确与否的原则是:当我们要计算F[X](等式左边,如F[10])的时候,等式右边(f[X-2], f[X-5], f[X-7]等)都是已经得到结果的状态,这个计算顺序就是OK的。
实际就是从小到大的计算方式(偶有例外的情况我们后边再讲)。
例如我们算到F[12]的时候,发现F[11]、F[10]、F[9]都已经算过了,这种算法就是对的;而开始算F[27]的时候,发现F[26]还没有算,这样的顺序就是错的。
很显然这样的情况下写一个FOR循环就够了。
回到这道题,采用动态规划的算法,每一步只尝试三种硬币,一共进行了27步。算法时间复杂度(即需要进行的步数)为27*3。
与递归相比,没有任何重复计算。
**原题练习及实际代码:**这道题是lintcode编号669的Coin Change问题。代码如下:
public int coinChange(int[] A, int M){// A = [2,5,7]// M = 27int[] f = new int[M + 1];int n = A.length; // 硬币的种类// 初始化, 0个硬币f[0] = 0;// f[1], f[2], … , f[27] = Integer.MAX_VALUEfor (int i = 1; i <= M; i++){f[i] = Integer.MAX_VALUE;}for (int i = 1; i <= M; i++){// 使用第j个硬币 A[j]// f[i] = min{f[i-A[0]]+1, … , f[i-A[n-1]]+1}for (int j = 0; j < n; ++j){// 如果通过放这个硬币能够达到重量iif (i >= A[j] && f[i - A[j]] != Integer.MAX_VALUE) {// 获得i的重量的硬币数就可能是获得i-A[j]重量硬币数的方案+1// 拿这个方案数量与原本的方案数打擂台,取最小值就行f[i] = Math.min(f[i - A[j]] + 1, f[i]);}}}if (f[M] == Integer.MAX_VALUE){return -1;}return f[M];}
最后总结:
1、这是求最值问题,用动态规划方式求解。2、进入求解过程,先确定问题状态
- 提炼最后一步
(最优策略中使用的最后一枚硬币aK)
-子问题转化 (最少的硬币拼出更小的面值27-aK)
3、构建转移方程 f[X] = min{f[X-2]+1, f[X-5]+1, f[X-7]+1}
(求min是因为题目要求求最小)
4、设置初始条件和边界情况 f[0] = 0, 如果不能拼出Y,f[Y]=正无穷
5、确定计算顺序并计算求解
f[0], f[1], f[2]……
实际上按照以上4步套路,基本上可以应对绝对大多数的动态规划面试题。
见面礼分享
结局:总结+分享
看完美团、字节、腾讯这三家的一二三面试问题,是不是感觉问的特别多,可能咱们真的又得开启面试造火箭、工作拧螺丝的模式去准备下一次的面试了。
开篇有提及我可是足足背下了Java互联网工程师面试1000题,多少还是有点用的呢,换汤不换药,不管面试官怎么问你,抓住本质即可!能读到此处的都是真爱
- Java互联网工程师面试1000题
而且从上面三家来看,算法与数据结构是必备不可少的呀,因此我建议大家可以去刷刷这本左程云大佬著作的 《程序员代码面试指南 IT名企算法与数据结构题目最优解》,里面近200道真实出现过的经典代码面试题。
- 程序员代码面试指南–IT名企算法与数据结构题目最优解
- 其余像设计模式,建议可以看看下面这4份PDF(已经整理)
- 更多的Java面试学习笔记如下,关于面试这一块,我额外细分出Java基础-中级-高级开发的面试+解析,以及调优笔记等等等。。。
以上所提及的全部Java面试学习的PDF及笔记,如若皆是你所需要的,那么都可发送给你!
csdn.net/forums/4f45ff00ff254613a03fab5e56a57acb)收录**