「图解大厂面试高频算法题」动态规划-爬楼梯
PS: 本文为「图解大厂面试高频算法题」专题,主旨是根据“二八法则”的原理,以付出20%的时间成本,获得80%的刷题的收益,让那些想进互联网大厂的人少走些弯路。
PS: 欢迎关注我获取更多大厂面试总结。
原题链接: https://leetcode-cn.com/problems/climbing-stairs/
题目介绍
题目解答
寻找子问题
原问题可以等价转换为有多少种方法可以从第1个台阶爬到第N个台阶,这个问题可以拆成如下N个子问题
- 子问题1: 多少种方法可以从第1个台阶爬到第1个台阶
- 子问题2: 多少种方法可以从第1个台阶爬到第2个台阶
- … …
- 子问题N-1: 多少种方法可以从第1个台阶爬到第N-1个台阶
很容易发现子问题为有多少种方法可以从第1个台阶爬到第N-1个台阶
寻找状态转移方程
从题意中可知状态转移条件为每次你可以爬1个或2个台阶,并且花费相应体力值后到达下一个台阶。也就是你可以从第0个台阶爬两格或从第1个台阶爬一格来到达第2个台阶。其中状态转移条件指明了在一个动态规划中一个或多个状态如何转移到另一个状态,在这道题中,是由两个状态来转移到另一个状态的,如下图所示,每一个圆形表示一个状态,每一个状态N表示一个子问题的答案。如果你计算出了某一个状态,也就表示你解决了某一个子问题。
由于状态转移方程需要依赖前面的状态来计算,所以肯定会有一个或多个初始状态,从这些初始状态来一步一步计算其他状态。这些初始状态一般是一个初始值,在本题中子问题1和子问题2就表示初始状态。
在编码的时候,我们一般用一个dp数组来存储状态,到这里就可以得出如下状态转换方程
dp[N] = dp[N-1] + dp[N-2]
其中dp[1] = 1, dp[2] = 2
方法一:动态规划
代码实现
class Solution {
public int climbStairs(int n) {
if (n == 1) {
return 1;
}
int[] dp = new int[n+1];
dp[1] = 1;
dp[2] = 2;
for (int i = 3; 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)
方法二:动态规划优化
在方法一中,dp[N]的状态永远依赖于dp[N-1]和dp[N-2],我们可以使用滚动数组的思想来把dp数组优化掉。滚动数组思想表示在一个数组中(不限维度),某一个下标为N的元素总是依赖于这个数组前面的某些元素,当求出这个下标为N的元素后,前面的某些元素就可以丢弃不要了,这时就可以优化数组空间,减少内存的使用。
class Solution {
public int climbStairs(int n) {
if (n == 1) {
return 1;
}
int[] dp = new int[2];
dp[0] = 1;
dp[1] = 2;
for (int i = 3; i <= n ; i++) {
int t = dp[1];
dp[1] = dp[1] + dp[0];
dp[0] = t;
}
return dp[1];
}
}
复杂度分析
- 时间复杂度: O(N)
- 空间复杂度: O(1)