动态规划
动态规划一般用数组记录下每一步的最优值,返回最后一步的值就是最优结果,相对于递归解法消除了重复计算的部分,提高的效率。
一、动态规划解决的问题特点
- 计数:有多少种方式从A到B、多少种方式取得某值、、、
- 求最优解:最大值最小值、路径上最大数据和。
- 存在性问题:能不能选出和为k的数、、、
选定算法前一定要判断是否为动态规划解题、有时候问题相似但不能用动态规划求解。
二、动态规划的步骤
以LeetCode 322 零钱兑换 为例:
给定不同面额的硬币 coins 和一个总金额 amount。
编写一个函数来计算可以凑成总金额所需的最少的硬币个数。
如果没有任何一种硬币组合能组成总金额,返回 -1。
示例 1:
输入: coins = [1, 2, 5], amount = 11
输出: 3
解释: 11 = 5 + 5 + 1
示例 2:
输入: coins = [2], amount = 3
输出: -1
说明:
你可以认为每种硬币的数量是无限的。
来源:力扣(LeetCode)
链接:https://leetcode-cn.com/problems/coin-change
著作权归领扣网络所有。商业转载请联系官方授权,非商业转载请注明出处。
1.确定状态
首先要确定状态就是解决问题的最后一步和确定子问题。
-
最后一步
就是找到解决最优策略的最后一步;
例题中最后一步就是最少用k枚硬币达到amount数额
-
子问题(与原问题一样,规模变小)
知道了最后一步后向前推,最少用k-1枚硬币达到amount-coink
简化定义就是F(x)=拼出amount的最少硬币数
如果coink是2,F(11)=F(11-2)+1枚
如果coink是5,F(11)=F(11-5)+1枚
对于示例1:F(11)=min{ F(11-1)+1 , F(11-2)+1 , F(11-5)+1 }
2.作出转移方程
由之前的结果写出转移方程
对于示例1:F(x)=min{ F(x-1)+1 , F(x-2)+1 , F(x-5)+1 }
3.注意初始条件和边界条件
对于示例1:
- x的值不能小于0
- 不能拼凑的amount值应该怎么处理(大多数时候定义正无穷方便,有时候定义-1这种可能更方便)虽然这里1和2可以拼凑所有正整数
- 初始条件F(0)=0,转移方程算不出来,但是又需要用的值
4.确定计算顺序
动态规划一般都是以自底向上进行循环迭代计算,
而带备忘录的递归则是自顶向下进行计算。
在例题中:转移方程计算左边时,右边的内容都需要已经有结果了
计算F(11)时需要F(10)、F(9)、F(6)的具体值,那么从小到大计算(根据题目以及选定解题方式选定计算顺序)。
最后是编码,与理论不一样,程序编码中很多要注意的地方,如
public int coinChange(int[] coins, int amount) {
// 创建数组
//1. 注意从0-amount有amount+1个数
int[] f = new int[amount + 1];
// 2.注意初始化
f[0] = 0;
for (int i = 1; i < f.length; i++) {
f[i] = Integer.MAX_VALUE;
for (int j = 0; j < coins.length; j++) {
//3.注意F(x)中x>0,并且Max+1会越界
if (i - coins[j] >= 0 && f[i - coins[j]