【动态规划】C++解决斐波那契模型题目(三步问题、爬楼梯、解码方法...)

本文介绍了动态规划算法的基本概念、特点以及在解决泰波那契数列、三步问题、最小花费爬楼梯和解码问题中的应用。通过实例演示了动态规划的步骤,包括状态定义、状态转移方程和空间优化策略。
摘要由CSDN通过智能技术生成

1. 前言 - 介绍动态规划算法

动态规划(Dynamic Programming,简称DP) 是一种解决复杂问题的算法设计技术,通常用于解决具有重叠子问题最优子结构性质的问题。它将问题分解成较小的子问题,通过解决这些子问题并保存其结果,最终构建出原问题的解。

  1. 重叠子问题(Overlapping Subproblems):问题可以被分解为相同的子问题,并且这些子问题在求解过程中会被多次重复计算。

  2. 最优子结构(Optimal Substructure):问题的最优解可以由其子问题的最优解来构造。


1.5 例题

我们通过下面的例题对动态规划算法进行理解

第N个泰波那契数

在这里插入图片描述

动态规划算法一般分为以下几个步骤:

  1. 定义状态表示:确定问题的状态,即 dp表中值所表示的含义
  • 如何找?
    • 根据 题目要求 + 做题经验
      • 本题要求第n个泰波纳契的值,我们就令dp[i]为第i个泰波纳契的值
  1. 确定状态转移方程:即 求dp[i]的公式

    • 根据题目所给的信息,我们知道dp[i] = dp[i-1] + dp[i-2] + dp[i-3];
  2. 初始化 初始化边界状态,保证填表的时候不发生越界等问题

    • 由于我们需要用到i-1 到 i-3的下标,这里初始化前三个数
    • dp[0] = 0, dp[1] = dp[2] = 1;
  3. 填表的顺序 根据状态转移方程,会有不同的填表顺序

    • 对于本题来说,只需要从左向右填表。
  4. 返回值 根据题目要求与dp表的状态表示,写返回值

    • 题目要第n个泰波纳契值,而dp[i]表示第i个,所以返回dp[n];

根据上面的思路可以直接创建一个dp表并进行初始化与填表,代码都在思路中,对于本题,可以直接进行空间优化。

由于每次只需要记录三个值,可以直接使用变量代替dp表,滚动数组的思想,每次统计值后向右移动:

代码

int tribonacci(int n) {
    // 空间优化:变量代替数组
    // 处理边界问题
    if(n == 0)  return 0;
    else if(n == 1 || n == 2)   return 1;

    int a = 0, b = 1, c = 1, d = 0;

    for(int i = 3; i <= n; ++i) // 根据性质
    {
        d = a + b + c;
        a = b, b = c, c = d; // 数组向后滑动
    }

    return d;
}

动态规划算法的优点在于它可以避免重复计算,提高算法效率。然而,动态规划并不适用于所有问题,它要求问题具有重叠子问题和最优子结构性质,有时候贪心更适合解一定的题目。


2. 算法题

有了上面例题的经验,我们对动态规划有了一定的了解,下面进行正式的解题(斐波那契模型):

2.1_三步问题

在这里插入图片描述

思路

  • 解法动态规划 + 设置dp数组
    在这里插入图片描述

  • 根据之前的经验,我们分步进行题目解析:

在这里插入图片描述

代码

根据上面的思路进行代码的编写:

int waysToStep(int n) {
   vector<int> dp(n + 1);
    // 处理边界问题
    if(n == 1 || n == 2) return n;
    else if(n == 3) return 4;

    dp[1] = 1, dp[2] = 2, dp[3] = 4;
    const int MOD = 1e9 + 7;
    // 总结规律:
    // dp[i] = dp[i-1] + dp[i-2] + dp[i-3]
    for(int i = 4; i <= n; ++i)
    {
        dp[i] = ((dp[i-1] + dp[i-2]) % MOD + dp[i-3]) % MOD;
    }

    return dp[n];
}

2.2_使用最小花费爬楼梯

在这里插入图片描述

思路

在这里插入图片描述

代码

  • 解法一:该解法为上图的思路代码
int minCostClimbingStairs(vector<int>& cost) {
    int n = cost.size();
    // dp[i]: 到达第i阶楼梯 所花费的最小数目
    vector<int> dp(n + 1); // 默认为0
    for(int i = 2; i <= n; ++i)
    {
        dp[i] = min(dp[i-1], dp[i-2]) + cost[i];
    }
    
    return dp[n];
}
  • 解法二:该解法的状态表示在代码注释中
int minCostClimbingStairs(vector<int>& cost) {
    int n = cost.size();
    vector<int> dp(n); // 默认为0
    // dp[i]: 从第i阶开始到达楼顶的最小花费
    dp[n-1] = cost[n-1]; dp[n-2] = cost[n-2];
    for(int i = n - 3; i >= 0; --i)
    {
        dp[i] = cost[i] + min(dp[i+1], dp[i+2]);
    }

    return min(dp[0], dp[1]);
}

2.3_解码方法

在这里插入图片描述

思路

  1. 首先找到状态表示,列出状态转移方程

在这里插入图片描述

  1. 对于初始化,需要注意:

在这里插入图片描述

  1. 当正确开辟虚拟空间并初始化后,剩下就仅需填表即可(此时较为繁琐的初始化步骤就一并放到了填表操作):

在这里插入图片描述

代码

class Solution {
public:
    int numDecodings(string s) {

        // 优化:利用虚拟空间

        int n = s.size();
        vector<int> dp(n + 1); // 状态方程
        // 1. 初始化状态方程元素
        dp[0] = 1;
        dp[1] = s[1-1] != '0';
        
        // 2. 填表
        for(int i = 2; i <= n; ++i)
        {
            if(s[i - 1] != '0') dp[i] += dp[i-1];
            int tmp = (s[i-2] - '0') * 10 + (s[i - 1] - '0');
            if(tmp >= 10 && tmp <= 26) dp[i] += dp[i-2];
        }

        // 返回值
        return dp[n];
    }
};

  • 8
    点赞
  • 31
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值