动态规划(Dynamic Programming, DP)是一种通过将复杂问题分解为更小的子问题来解决的问题求解方法。与分治法类似,动态规划适用于具有重叠子问题和最优子结构性质的问题。它通过保存子问题的解,避免重复计算,从而提高效率。
一 动态规划的核心思想
1.重叠子问题:问题可以分解为若干子问题,并且这些子问题会被多次重复计算。
2.最优子结构:问题的最优解可以通过子问题的最优解构造出来。
3.状态转移方程:通过状态转移方程,利用子问题的解来推导出原问题的解。
二 动态规划的实现方式
1.自顶向下(递归 + 记忆化),即从大问题出发,逐步解决子问题并缓存结果。
2.自底向上,即从最简单的子问题开始,通过状态转移方程一步步推导出原问题的解。
三 经典动态规划问题:斐波那契数列
斐波那契数 (通常用
F(n)
表示)形成的序列称为 斐波那契数列 。该数列由 0 和 1 开始,后面的每一项数字都是前面两项数字的和。也就是:F(0) = 0,F(1) = 1 F(n) = F(n - 1) + F(n - 2),其中 n > 1 给定 n ,请计算 F(n)。
解法一:自顶向下的动态规划
class Solution {
private static Map<Integer, Integer> memo = new HashMap<>();
public int fib(int n) {
// 基础情况
if (n == 0) return 0;
if (n == 1) return 1;
// 如果已经计算过,则直接从缓存中获取
if (memo.containsKey(n)) {
return memo.get(n);
}
// 否则递归计算,并将结果缓存
int result = fib(n - 1) + fib(n - 2);
memo.put(n, result);
return result;
}
}
每次计算 fib(n)
时,先检查memo中是否已有结果,如果有直接返回,否则递归计算并将结果存入memo。
解法二:自底向上的动态规划
class Solution {
public int fib(int n) {
// 如果 n 为 0 或 1,直接返回 n
if (n == 0 || n == 1) return n;
// 用数组保存前面两个斐波那契数
int[] dp = new int[n + 1];
dp[0] = 0;
dp[1] = 1;
// 自底向上计算每一个斐波那契数
for (int i = 2; i <= n; i++) {
dp[i] = dp[i - 1] + dp[i - 2];
}
return dp[n];
}
}
用一个数组 dp
来存储每个位置的斐波那契数,从 0
和 1
开始,一步步推导出 n
的值。
解法三:空间优化的动态规划
public int fib(int n) {
// 如果 n 为 0 或 1,直接返回 n
if (n == 0 || n == 1) return n;
// 初始化前两个斐波那契数
int prev1 = 0, prev2 = 1;
// 从第三个斐波那契数开始计算
for (int i = 2; i <= n; i++) {
int current = prev1 + prev2;
prev1 = prev2; // 更新 prev1 为前一项
prev2 = current; // 更新 prev2 为当前项
}
return prev2;
}
通过 prev1
和 prev2
两个变量代替数组来存储前两个斐波那契数,从而将空间复杂度从 O(n)
优化为 O(1)
。