动态规划——常见题型及算法思路解析

使用动态规划法求解0/1背包问题

使用上述方法尝试解此题(上一篇总结中)：

dp[i][r]:

i代表可选物品{1,2,3,4…i}

r代表背包的剩余容积； w代表重量，W代表背包最大容量

整个dp[i][r]代表在可选物品中选出不超重物品的最大价值。

此问题中w1-w5{2,2,6,5,4}

通过打表可以找到上述规律，可通过此规律完成动态转换方程：

dp[i][r] = max(dp[i-1][r],dp[i-1][r-w[i]]+v[i])

如果硬要掰理由，那么方程含义应为：

此行此列最大价值为上一行此列最大价值与(上行-wi列最大价值+vi)之间的最大值

翻译一下：

上一行此列最大价值：没有选第i个物品的最大价值

上行-wi列最大价值+vi：没有选第i-1个物品但选了第i个物品的最大价值。

因此，此题解的核心就是对第i个物品（不选/选）所得出的最大价值进行讨论。

不选——0

选——1

因此背包问题又叫0/1背包问题。

上面的各个结果隐式地排除了选择物品i后超重的情况，因为超重在打表的时候就已经被排除了。

 

---

使用动态规划法求解最大连续子序列和

求序列-2, 11, -4, 13, -5, -2, 4, 2, -9,中最大连续子序列和

自己先求出几个结果出来，填入到表中，直接找规律就完了

如下：

通过打表，可以找到如下规律

dp[i] = max(a[i],a[i]+dp[i-1])

本题并不难以理解，但值得学习的地方并不是动态规划，而在于空间压缩，

按照所打表，dp[i]的空间复杂度为O(n)：将每一个i对应的dp[i]都保存下来。

就本题而言完全没必要用到如此大的空间，事实上可以做到空间复杂度为O(2)

一个用来存储当前更新的dp[i]，一个用来保存max。

 

Java源代码：

 

---

使用动态规划法求解最长公共子序列问题

本题为经典动态规划问题，不要将子串和子序列弄混。

Str1长度为M，str2长度为N，生成MxX的动态规划表，从上到下，从左到右计算dp。

dp[i][j]:str1[0..i]与str2[0..j]的最长公共子序列的长度

还是套路，先自己算出几个值出来，填入入到表中，找规律

 

通过打表后可得如下规律：

dp[i][j]依赖于三个位置，左上，左，上。

且当更新最长公共子序列时：

dp[i][j]=dp[i-1][j-1]+1

其他情况

dp[i][j]=Max(dp[i-1][j],dp[i][j-1])

求子序列时可从表的右下方，只按两个方向（左，上）朝左上方向移动。(注意先向上移动，再向左移动)

 

如果dp[i][j]大于dp[i-1][]和dp[i][j-1] ,

说明之前在计算dp[i][j]的时候,一定选择了，决策dp[i-1][j-1]+1,

可以确定str1[i]等于str2[j]，

并且这个字符属于最长公共子序列，将这个字符放入res，然后继续先向上移动，再向左移动。

---

一个机器人只能向下和向右移动，每次只能移动一步。设计一个算法求它从(0,0) 移到到(m,n) 有多少条路径

（本题为LeetCode动态规划专题原题——不同路径I）

打表如下：

通过找数学规律，写出状态转换方程：

有以下规律：

dp[i][j]=dp[i-1][j]+dp[i][j-1]

本题同样可以使用空间压缩技巧：

观察发现其实

第0行只需要 第1行第0个元素 就能更新为第1行

第1行只需要 第2行第0个元素 就能更新为第2行

第2行只需要 第3行第0个元素 就能更新为第3行

。。。。。

因此已知第0行和第0列可以将整张表压缩为一行。空间复杂度O（n）

而已知第0行和第0列的元素值为1，因此甚至可以将整表压缩到一个位置上

空间复杂度O(1)(可想而知时间复杂度得多大)

动态规划理解起来的确困难，因为要给数学规律一个合理的解释是非常耗费时间的，即使已知在数学规律的背后一定会有原因，但将题做出来跟理解题目不是一个概念，无论你准备朝哪个方向努力。首要的事就是先将题拿下。