动态规划(Dynamic Programming)相关问题的一般形式是求最值,比如最长递增子序列等,动态规划的核心问题是【穷举】。因为在求最值的过程中,我们需要求出一系列可行的值,再从可行值之中选择出目标答案。
动态规划的 【穷举】 中,会产生很多很多重复计算,所以,我们可能需要一个“备忘录”保存重复计算的结果,同时,我们需要一个DP table来优化穷举的过程,记录子问题的结果,相关内容在递归算法篇章的斐波那契数列中见到过。
动态规划的三要素如下:
- (1)重叠子问题,子问题的就算方式大致相同。
- (2)复合最优子结构,问题的最优解包含子问题的最优解。反过来说就是,我们可以通过子问题的最优解,推导出问题的最优解。
- (3)状态转移方程,怎么从子问题最优解推倒当前问题的最优解。
下面我们对经典的动态规划问题进行介绍~
一、最长递增子序列
题目: 给定一个无序的序列,求解它的【最长递增子序列】的长度。方法签名:int lengthOfLIS(int[] nums)
。
注意:【子序列】和【子串】是不一样的,【子序列】是可以不连续的,但是子串必须是连续的。
举例: nums[] = {3,·1,4,1,5,9,2,6,5}
的最长递增子序列长度为4,结果返回4即可,此时的为子序列:1,4,5,9。
在使用【动态规划】方案解决该问题的时候,我们需要首先思考的是,怎么去设计一个dp数组,用来存放各个子问题的结果。
在这道题中,我们想:
- (1)【宏观问题】是这个数组中存在的【最长子序列】。
- (2)将其拆分成【子问题】就是,枚举出【从零到每一个位置】的最长递增序列,这也是我们所需要定义的一个dp数组。
- (3)dp数组保存了所有的计算结果,最后在dp数组中找最值就可以了。
基于以上考虑,我们需要抽离一个共有的方法,就是【查找子序列】。
代码如下:
public class LengthOfLIS {
public static void main(String[] args) {
int i = lengthOfLIS(new int[]{1, 4, 2, 4, 6, 7, 8,4,23});
System.out.println(i);
}
public static int lengthOfLIS(int[] nums){
if(nums.length <= 0){
return 0;
}
int[] dp = new int[nums.length];
// 对给定数组进行逐一遍历,确定每个位置上的最长递增子序列
for (int i = 0; i < nums.length; i++) {
// 先给dp数据当前位置初始化,因为最短的长度就是1
dp[i] = 1;
// 确定当前的长度时,需要对前边已经计算的结果进行扫描
for (int j = 0; j < i; j++){
// 如果遇到比前边某一个位置的数字大,说明在之前的位置上,递增序列会被延长
if(nums[i] > nums[j]){
// 同时比较当前位置和最大子序列的长度,目的是取最大值
if(dp[i] < dp[j] +1){
dp[i] = dp[j] + 1;
}
}
}
}
Arrays.sort(dp);
return dp[dp.length-1];
}
}
二、找零钱问题
题目: 给你 k 种面值的硬币,面值分别为 c1, c2 … ck,每种硬币的数量无限,再给一个总金额 amount,问你最少需要几枚硬币凑出这个金额,如果不可能凑出,算法返回 -1 。算法的函数签名:int coinChange(int[] coins, int amount);
(coins 中是可选硬币面值,amount 是目标金额)。
比如说 k = 3,面值分别为 1,2,5,总金额 amount = 11。那么最少需要 3 枚硬币凑出,即 11 = 5 + 5 + 1。
你认为计算机应该如何解决这个问题?显然,就是把所有肯能的凑硬币方法都穷举出来,然后找找看最少需要多少枚硬币。
首先,这个问题是【动态规划问题】,因为它具有【最优子结构】的。要符合「最优子结构」,子问题间必须互相独立。啥叫相互独立?
回到凑零钱问题,为什么说它符合最优子结构呢?
我们想知道总金额11需要最少几枚硬币,只需知道总结额为 10,9,6(总额减去一枚硬币面额的值)这几种情况下所需要的硬币的数量,然后找一个小的加1即可,这个过程是可以进行递归处理的,如下图:
重叠子问题: 当总额为0,1…amount时,分别最少需要多少枚硬币,因为当amount=0,时结果必为0。
符合最优子结构: 子问题amount所需硬币的最小值就是我们要的结果。
状态转移方程:
f
(
n
)
=
{
0
,
n
=
0
−
1
,
n
<
0
m
i
n
(
f
(
n
−
c
o
i
n
)
)
1
,
n
0
f(n)=\begin{cases} 0,n=0\ -1,n<0 \ min(f(n-coin))+1,n>0 \end{cases}
f(n)={0,n=0 −1,n<0min(f(n−coin))+1,n>0
代码如下:
/\*\*
\* 计算出能组成总金额的最少硬币数量
\* @param coins 给定的硬币的面额
\* @param amount 给定的总金额
\* @return 最少的硬币数量
\*/
public static int coinChange(int[] coins, int amount){
if(amount == 0) return 0;
if(amount < 0) return -1;
// 核心:
// 1、求总金额为16的结果 【1,3,5】
// 2、【1】找到15的最优解+1 ---- 【3】找到13的最优解+1 ----- 【5】找到11的最优解+1
// 3、取最小值
int result = Integer.MAX\_VALUE;
for (int i = 0; i < coins.length; i++) {
int subMin = coinChange(coins, amount - coins[i]);
// 如果最优解不存在 -1 继续
if (subMin == -1) continue;
if(subMin + 1 < result){
result = subMin +1;
}
}
return result == Integer.MAX\_VALUE ? -1 : result;
}
在此过程中,我们确实会出现很多的重复子问题计算,我们需要使用一个memo备忘录进行记录。
private static int changeCoin2(int[] coins,int amount,int[] memo){
if (amount == 0) return 0;
if (amount < 0) return -1;
int res = Integer.MAX\_VALUE;
for (int i = 0; i < coins.length; i++) {
// 遍历子问题,假设amount为10元,如果有了一个2元,剩下的8元最少需要几个呢?,子问题就是8元所需要的个数
// 同理8元所需要的个数可以使用递归完成
int subProblem = Integer.MAX\_VALUE;
if(amount-coins[i] >= 0 && memo[amount-coins[i]] != 0){
subProblem = memo[amount-coins[i]];
} else {
subProblem = changeCoin2(coins,amount-coins[i],memo);
}
// 子问题有误解的时候,比如子问题的金额小于硬币的最小金额
if(subProblem == -1) continue;
// 我们的最优结果就是,最优的子问题的最优解+1
res = Math.min(res,1 + subProblem) != Integer.MAX\_VALUE ? Math.min(res,1 + subProblem):-1;
}
memo[amount] = res;
return res;
}
最后比较一下有【备忘录】和没有【备忘录】的性能差异:
public class Change {
...
public static void main(String[] args) {
long start = System.currentTimeMillis();
System.out.println(changeCoin2(new int[]{1,2,3},100,new int[100+1]));
long end = System.currentTimeMillis();
System.out.println(end - start);
start = System.currentTimeMillis();
System.out.println(changeCoin(new int[]{1,2,3},100));
end = System.currentTimeMillis();
System.out.println(end -start);
}
}
三、0-1背包问题
题目: 有一个容量为 V 的背包,和一些物品。这些物品分别有两个属性,体积 w 和价值 v,每种物品只有一个。要求用这个背包装下价值尽可能多的物品,求该最大价值,背包可以不被装满。
0-1背包问题: 在最优解中,每个物品只有两种可能的情况,即在背包中或者不在背包中(背包中的该物品数为0或1),因此称为0-1背包问题。
子问题: 子问题必然是和物品有关的,对于每一个物品,有两种结果:能装下或者不能装下。
- 第一,包的容量比物品体积小,装不下,这时的最大价值和前i-1个物品的最大价值是一样的。
- 第二,还有足够的容量装下该物品,但是装了不一定最大价值,所以要进行比较。由上述分析,子问题中物品数和背包容量都应当作为变量。
因此,子问题确定为背包容量为j时,求前i个物品所能达到最大价值。
确定状态: 由上述分析,“状态”对应的“值”即为背包容量为j时,求前i个物品所能达到最大价值,设为dp[i][j]
。初始时,dp[0][0]
为0,没有物品也就没有价值。
确定状态转移方程: 由上述分析,第i个物品的体积为w,价值为v,则状态转移方程为
f
(
n
,
v
)
=
{
f
(
n
−
1
,
v
)
,
w
e
i
g
h
t
[
i
]
j
(
装
不
下
)
M
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
g
h
t
[
i
]
j
(
装
不
下
)
M
[外链图片转存中…(img-hEHGcZo8-1714686781941)]
[外链图片转存中…(img-vcBiZ8ME-1714686781942)]
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!