动态规划篇-00:解题思想与框架

本文介绍了动态规划的基本概念,包括解题思想、状态转移方程的重要性,以及如何通过遍历和分解问题来降低时间复杂度。以LeetCode70题爬楼梯为例,展示了自顶向下和自底向上的动态规划实现方法。
摘要由CSDN通过智能技术生成

引言

这篇文章是我的第一个专栏的第一篇文章。

在这篇文章中,我将总结我对于动态规划的认识与解题框架。这些思想和框架将会在后面的习题中反复出现。

解题思想

对于所有的算法题来说,本质上都是“穷举”——列出所有的结果,然后选择最优解、“聪明地穷举”——通过处理重叠子问题来降低时间复杂度。

穷举又分为[遍历]和[分解问题]两个思路。其中[遍历]思路扩展延伸就是回溯算法,[分解问题]的思路可以扩展成动态规划算法。

动态规划

动态规划问题的一般形式就是求最值,那么核心问题就是穷举——穷举所有可行的方案,然后在其中找最值。

一般来说,动态规划有三个因素:[状态转移方程]、[最优子结构]、[重叠子问题]。

只有列出正确的状态转移方程,才能正确地穷举;判断算法是否具备最优子结构,是否能通过子问题的最值得到原问题的最值;通过优化重叠子问题来优化穷举过程

而[状态转移方程]是这三者中的关键,因为有了状态转移方程,你就能写出暴力解法,虽然时间复杂度可能会很高。

状态转移方程

按照一下思路去思考状态转移方程:明确base case → 明确状态 → 明确选择 → 定义dp数组/函数的定义

问题1:什么是“base case”?

最小的子问题或边界情况下的解

问题2:什么是“状态”?

原问题和子问题中会变化的变量

问题3:什么是“选择”?

导致“状态”产生变化的行为

遍历所有状态去做选择

# 自顶向下递归的动态规划
def dp(状态1, 状态2, ...):
    for 选择 in 所有可能的选择:
        # 此时的状态已经因为做了选择而改变
        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 case
# 进行状态转移
for 状态1 in 状态1的所有取值:
    for 状态2 in 状态2的所有取值:
        for ...
            dp[状态1][状态2][...] = 求最值(选择1,选择2...)

接下来,我们以力扣hot100 动态规划篇的第一题 力扣70:爬楼梯 为例来使用解题思想

  • 8
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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