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