动态规划
- 动态规划的一般表现形式就是求最值
思路:首先需要列出正确的状态转移方程;然后需要判断算法问题是否具有*** ”最优子结构“*** (判断最优子结构的方式就是看每个子结构间是否相互独立);*** 优化方面*** 的办法为动态规划问题一般都会有 *** ”重叠子问题“ *** ,所已使用一个备忘录或者是使用一个DP table去记录数值即可避免重复的计算
步骤:
- 明确base case
- 明确选择
- 明确状态
- 定义dp数组/函数的含义
框架:
# 自顶向下的动态规划
def dp(状态1, 状态2,...) :
for 选择1 in 所有可能的选择:
# 此时的状态已经因为做了选择发生了改变
result = 求最值(result, dp(状态1, 状态2, ...))
return result
# 自底向上迭代的动态规划
# 初始化base case
dp[0][0][...] = base cast
# 进行状态转移
for 状态1 in 状态1所有可能的值:
for 状态2 in 状态2所有可能的值:
for ... :
dp[状态1][状态2][...] = 求最值(选择1, 选择2, ...)
如何列出状态转移方程
- 确定base case,当无法在继续分解时的状态即为base case
- 确定"状态", 就是原问题和子问题中会变化的变量,比如说凑零钱的问题中的过程,目标金额为11元,选择一枚5元的硬币,目标金额就会变成6元,这个就是目标金额就是状态
- 确定"选择", 就是导致状态发生变化的的行为,比如说凑零钱问题中的选择零钱该行为会导致目标金额发生变化,选择硬币这一行为就是选择
- 明确dp函数/数组的定义,递归函数dp的参数一般就是状态转移方程中会变化的量,也就是上面的状态,函数的返回值一般就是题目要求我们计算的量;例如凑零钱问题中的状态只有一个,就是目标金额,题目要求我们算出凑出目标金额所需的最少硬币数量