95% 的算法都是基于这 6 种算法思想，2024年最新java做计算机

dp[n] = dp[n−1] + dp[n−2]

第三步：识别并求解出边界条件

// 第 0 级 1 种方案

dp[0]=1

// 第 1 级也是 1 种方案

dp[1]=1

最后一步：把尾码翻译成代码，处理一些边界情况

let climbStairs = function(n) {

let dp = [1, 1]

for(let i = 2; i <= n; i++) {

dp[i] = dp[i - 1] + dp[i - 2]

}

return dp[n]

}

复杂度分析：

• 时间复杂度：O(n)

• 空间复杂度：O(n)

优化空间复杂度：

let climbStairs = function(n) {

let res = 1, n1 = 1, n2 = 1

for(let i = 2; i <= n; i++) {

res = n1 + n2

n1 = n2

n2 = res

}

return res

}

空间复杂度：O(1)

更多解答

7.2 使用最小花费爬楼梯

---

数组的每个索引作为一个阶梯，第 i 个阶梯对应着一个非负数的体力花费值 cost[i] (索引从0开始)。

每当你爬上一个阶梯你都要花费对应的体力花费值，然后你可以选择继续爬一个阶梯或者爬两个阶梯。

您需要找到达到楼层顶部的最低花费。在开始时，你可以选择从索引为 0 或 1 的元素作为初始阶梯。

示例 1:

输入: cost = [10, 15, 20]

输出: 15

解释: 最低花费是从cost[1]开始，然后走两步即可到阶梯顶，一共花费15。

示例 2:

输入: cost = [1, 100, 1, 1, 1, 100, 1, 1, 100, 1]

输出: 6

解释: 最低花费方式是从cost[0]开始，逐个经过那些1，跳过cost[3]，一共花费6。

注意：

• cost 的长度将会在 [2, 1000] 。

• 每一个 cost[i] 将会是一个Integer类型，范围为 [0, 999] 。

解法：动态规划

---

本题注意理解题意：

• 第 i 级台阶是第 i-1 级台阶的阶梯顶部。

• 踏上第 i 级台阶花费 cost[i] ，直接迈一大步跨过而不踏上去则不用花费。

• 楼梯顶部在数组之外，如果数组长度为 len，那么楼顶就在下标为 len

第一步：定义子问题

踏上第 i 级台阶的体力消耗为到达前两个阶梯的最小体力消耗加上本层体力消耗：

• 最后迈 1 步踏上第 i 级台阶：dp[i-1] + cost[i]

• 最后迈 1 步踏上第 i 级台阶：dp[i-2] + cost[i]

第二步：实现需要反复执行解决的子子问题部分

所以踏上第 i 级台阶的最小花费为：

dp[i] = min(dp[i-2], dp[i-1]) + cost[i]

第三步：识别并求解出边界条件

// 第 0 级 cost[0] 种方案

dp[0] = cost[0]

// 第 1 级，有两种情况

// 1：分别踏上第0级与第1级台阶，花费cost[0] + cost[1]

// 2：直接从地面开始迈两步直接踏上第1级台阶，花费cost[1]

dp[1] = min(cost[0] + cost[1], cost[1]) = cost[1]

最后一步：把尾码翻译成代码，处理一些边界情况

let minCostClimbingStairs = function(cost) {

cost.push(0)

let dp = [], n = cost.length

dp[0] = cost[0]

dp[1] = cost[1]

for(let i = 2; i < n; i++){

dp[i] = Math.min(dp[i-2] , dp[i-1]) + cost[i]

}

return dp[n-1]

}

复杂度分析：

• 时间复杂度：O(n)

• 空间复杂度：O(n)

优化：

let minCostClimbingStairs = function(cost) {

let n = cost.length,

n1 = cost[0],

n2 = cost[1]

for(let i = 2;i < n;i++){

let tmp = n2

n2 = Math.min(n1,n2)+cost[i]

n1 = tmp

}

return Math.min(n1,n2)

};

• 时间复杂度：O(n)

• 空间复杂度：O(1)

更多解答

7.3 最大子序和

---

给定一个整数数组 nums ，找到一个具有最大和的连续子数组（子数组最少包含一个元素），返回其最大和。

示例:

输入: [-2,1,-3,4,-1,2,1,-5,4]

输出: 6

解释: 连续子数组 [4,-1,2,1] 的和最大，为 6。

进阶:

如果你已经实现复杂度为 O(n) 的解法，尝试使用更为精妙的分治法求解。

第一步：定义子问题

动态规划是将整个数组归纳考虑，假设我们已经知道了以第 i-1 个数结尾的连续子数组的最大和 dp[i-1]，显然以第i个数结尾的连续子数组的最大和的可能取值要么为 dp[i-1]+nums[i]，要么就是 nums[i] 单独成一组，也就是 nums[i] ，在这两个数中我们取最大值

第二步：实现需要反复执行解决的子子问题部分

dp[n] = Math.max(dp[n−1]+nums[n], nums[n])

第三步：识别并求解出边界条件

dp[0]=nums[0]

最后一步：把尾码翻译成代码，处理一些边界情况

因为我们在计算 dp[i] 的时候，只关心 dp[i-1] 与 nums[i]，因此不用把整个 dp 数组保存下来，只需设置一个 pre 保存 dp[i-1] 就好了。

代码实现（优化）：

let maxSubArray = function(nums) {

let max = nums[0], pre = 0

for(const num of nums) {

if(pre > 0) {

pre += num

} else {

pre = num

}

max = Math.max(max, pre)

}

return max

}

复杂度分析：

• 时间复杂度：O(n)

• 空间复杂度：O(1)

更多解答

7.4 买卖股票的最佳时机

---

给定一个数组，它的第 i 个元素是一支给定股票第 i 天的价格。

如果你最多只允许完成一笔交易（即买入和卖出一支股票一次），设计一个算法来计算你所能获取的最大利润。

注意：你不能在买入股票前卖出股票。

示例 1:

输入: [7,1,5,3,6,4]

输出: 5

解释: 在第 2 天（股票价格 = 1）的时候买入，在第 5 天&