layout: pages
title: Leetcode刷题笔记——动态规划
date: 2021-06-07 09:00:08
categories: LeetCode刷题笔记
tags: 算法
1、目标和问题——基本的动态规划
1.1、回溯穷举
因为每一种可能都是会得到我们所需要的结果的,所以自然而然地可以想到使用回溯算法来解决
class Solution {
int result = 0;
public int findTargetSumWays(int[] nums, int target) {
getSum(nums, target, 0, nums.length);
return result;
}
public void getSum(int[] nums, int target, int index, int length) {
//回溯递归的出口
if (index == length) {
if (target == 0)
result ++;
return;
}
//回溯处理
getSum(nums, target - nums[index], index + 1, length);
getSum(nums, target + nums[index], index + 1, length);
}
}
-
时间复杂度:O(2^n),其中 n 是数组nums 的长度。回溯需要遍历所有不同的表达式,共有 2^n 种不同的表达式,每种表达式计算结果需要 *O(1)*的时间,因此总时间复杂度是 O(2^n)
-
空间复杂度:O(n),其中 n是数组 nums 的长度。空间复杂度主要取决于递归调用的栈空间,栈的深度不超过 n
1.2、动态规划
我们还可以把这道题转化为01背包问题使用动态规划的方法进行解决,官方题解写的还是很清楚的,这里直接贴出来
按照nums = [1,1,1,1],target = 2来描述一下具体的计算过程,首先给出整个表格的样式d[n+1][neg+1],这里的n指的是数组长度,为4,neg为数组和减去target除以2为1,动态规划表格如下,行表示所选的数字和为0、1、2,列表示从前几个数字中来选取
neg=0 | neg=1 | |
---|---|---|
从前0个数字 | ||
从前1个数字 | ||
从前2个数字 | ||
从前3个数字 | ||
从前4个数字 |
首先初始化边界条件,从前0个数字中选取,也就是无数可选的时候,除了目标为0有一种啥也不选的方案之外,其他的均没有可选方案,因此全部置0
neg=0 | neg=1 | |
---|---|---|
从前0个数字 | 1 | 0 |
从前1个数字 | ||
从前2个数字 | ||
从前3个数字 | ||
从前4个数字 |
开始从第0行递推,对于前1个数字,也就是1,令和为0的方案,因为1本身是大于0的,所以肯定不能选1,就把前0个数字的结果继承下来,是1
和为1的方案,1可选可不选,不选的话也是继承前0个数字和为1的结果,是0,选的话是前0个数字和为0(1-1=0)的方案数也就是1,0+1=1,共1种方案
第二行更新后得到以下结果
neg=0 | neg=1 | |
---|---|---|
从前0个数字 | 1 | 0 |
从前1个数字 | 1 | 1 |
从前2个数字 | ||
从前3个数字 | ||
从前4个数字 |
同样的推导第3行也是一样
对于前2个数字,我们已经有了前1个数字的组合方案,第二个数字还是1
令和为0的方案,因为1本身是大于0的,所以肯定不能选1,就把前0个数字的结果继承下来,是1
和为1的方案,1可选可不选,不选的话也是继承前0个数字和为1的结果,是1,选的话是前1个数字和为0(1-1=0)的方案数也就是1,0+1=1,共2种方案
以此类推最后得到的表格为
neg=0 | neg=1 | |
---|---|---|
从前0个数字 | 1 | 0 |
从前1个数字 | 1 | 1 |
从前2个数字 | 1 | 2 |
从前3个数字 | 1 | 3 |
从前4个数字 | 1 | 4 |
所以最后得到的结果就是4,所以状态转移方程就很容易理解了,最后给出目标和问题的动态规划题解代码如下
class Solution {
public int findTargetSumWays(int[] nums, int target) {
int sum = 0;
int length = nums.length;
//求数组和
for (int num : nums) {
sum += num;
}
//没有结果的特殊情况
int diff = sum - target;
if (diff < 0 || diff % 2 != 0)
return 0;
int neg = diff / 2;
//创建动态规划数组
int[][] dp = new int[length + 1][neg + 1];
//动态规划数组初始化
dp[0][0] = 1;
for (int i = 1; i <= length; i++) {
for (int j = 0; j <=neg; j++) {
//状态转移方程
if (nums[i - 1] > j)
//nums[i - 1]不可选
dp[i][j] = dp[i - 1][j];
else
//nums[i - 1]可选
dp[i][j] = dp[i - 1][j] + dp[i - 1][j - nums[i - 1]];
}
}
return dp[length][neg];
}
}
当然也可以采用滚动数组的方式进行更新,更能节省空间,代码如下,注意滚动数组内层循环一定采用倒序的方式,以保证传递来的是[i-1]的值(重要!!!)
class Solution {
public int findTargetSumWays(int[] nums, int target) {
int sum = 0;
for (int num : nums) {
sum += num;
}
int diff = sum - target;
if (diff < 0 || diff % 2 != 0) {
return 0;
}
int neg = diff / 2;
int[] dp = new int[neg + 1];
dp[0] = 1;
for (int num : nums) {
for (int j = neg; j >= num; j--) {
dp[j] += dp[j - num];
}
}
return dp[neg];
}
}
动态规划耗时2ms,击败100%,空间36.2MB,击败44.88%
回溯耗时600ms,击败31.92%,空间35.8MB,击败85.96%
可以看出动态规划是一种典型的空间换时间的算法,但收益还是挺高的
动态规划的核心就是两个
- 边界条件
- 状态转移方程
2、一和零问题——高维动态规划数组
题目描述如下
给你一个二进制字符串数组 strs 和两个整数 m 和 n 。请你找出并返回 strs 的最大子集的大小,该子集中 最多 有 m 个 0 和 n 个 1 。
如果 x 的所有元素也是 y 的元素,集合 x 是集合 y 的 子集 。
示例 1:
- 输入:strs = [“10”, “0001”, “111001”, “1”, “0”], m = 5, n = 3
- 输出:4
- 解释:最多有 5 个 0 和 3 个 1 的最大子集是 {“10”,“0001”,“1”,“0”} ,因此答案是 4 。
其他满足题意但较小的子集包括 {“0001”,“1”} 和 {“10”,“1”,“0”} 。{“111001”} 不满足题意,因为它含 4 个 1 ,大于 n 的值 3 。
示例 2:
- 输入:strs = [“10”, “0”, “1”], m = 1, n = 1
- 输出:2
- 解释:最大的子集是 {“0”, “1”} ,所以答案是 2 。
提示:
- 1 <= strs.length <= 600
- 1 <= strs[i].length <= 100
- strs[i] 仅由 ‘0’ 和 ‘1’ 组成
- 1 <= m, n <= 100
2.1、三维动态数组
这道题不仅有0的限制而且有1的限制,因此要采用三维的动态规划数组来解决,给出代码如下
class Solution {
public int findMaxForm(String[] strs, int m, int n) {
int length = strs.length;
//三维动态规划数组
int[][][]dp = new int[length + 1][m + 1][n + 1];
for (int i = 1; i <= length; i++) {
int[] count = zerosOnes(strs[i - 1]);
for (int j = 0; j <= m; j++) {
for (int k = 0; k <= n; k++) {
//当前字符串能被添加进子集
if (count[0] <= j && count[1] <= k)
dp[i][j][k] = Math.max(dp[i - 1][j][k], 1 + dp[i - 1][j - count[0]][k - count[1]]);
//当前字符串不能被添加进子集
else
dp[i][j][k] = dp[i - 1][j][k];
}
}
}
return dp[length][m][n];
}
//统计01数量的方法,返回值为数组,result[0]为0的个数,result[1]为1的个数
public int[] zerosOnes(String str) {
char[] arr = str.toCharArray();
int[] result = new int[2];
for (char c : arr) {
if (c == '0')
result[0] ++;
else
result[1] ++;
}
return result;
}
}
2.2、滚动数组降维
同样的动态规划数组下一行的数值只与上一行有关,因此可以采用滚动数组的方式,去除一个维度的值,代码如下
class Solution {
public int findMaxForm(String[] strs, int m, int n) {
int length = strs.length;
//三维动态规划数组
int[][]dp = new int[m + 1][n + 1];
for (int i = 1; i <= length; i++) {
int[] count = zerosOnes(strs[i - 1]);
for (int j = m; j >=count[0]; j--) {
for (int k = n; k >= count[1]; k--) {
dp[j][k] = Math.max(dp[j][k], 1 + dp[j - count[0]][k - count[1]]);
}
}
}
return dp[m][n];
}
//统计01数量的方法,返回值为数组,result[0]为0的个数,result[1]为1的个数
public int[] zerosOnes(String str) {
char[] arr = str.toCharArray();
int[] result = new int[2];
for (char c : arr) {
if (c == '0')
result[0] ++;
else
result[1] ++;
}
return result;
}
}
-
时间复杂度:O(lmn+L),其中 l是数组strs 的长度,m 和 n 分别是 0 和 1 的容量,L 是数组 strs 中的所有字符串的长度之和。
动态规划需要计算的状态总数是 O(lmn),每个状态的值需要 O(1)的时间计算。
对于数组strs 中的每个字符串,都要遍历字符串得到其中的 0 和 1 的数量,因此需要 O(L) 的时间遍历所有的字符串。
总时间复杂度是 O(lmn + L)。 -
空间复杂度:O(mn),其中 m 和 n 分别是 0 和 1 的容量。使用空间优化的实现,需要创建 m+1行 n+1列的二维数组dp。
3、最后一块石头的重量
动态规划问题的核心在于两点
- 将问题转化为求和问题(无论是方案和还是值的和)
- 明确动态规划数组行的意义,即确定一个由上一行推导出下一行的形式
题解写的还是很清楚的,这里贴出来
给出代码如下
class Solution {
public int lastStoneWeightII(int[] stones) {
//求和
int sum = 0;
for (int stone : stones) {
sum += stone;
}
int m = sum / 2;
int n = stones.length;
//滚动数组降维
boolean[] dp = new boolean[m + 1];
dp[0] = true;
for (int i = 1; i <= n; i++) {
int stone = stones[i - 1];
//倒序遍历保证每个传来的都是i - 1情况下的值
for (int j = m; j >= stone; j--) {
dp[j] = dp[j] || dp[j - stone];
}
}
for (int j = m; j >= 0; j--) {
if (dp[j] == true)
return sum - 2 * j;
}
return 0;
}
}
同样可以采用滚动数组降维,别忘了倒序
class Solution {
public int lastStoneWeightII(int[] stones) {
//求和
int sum = 0;
for (int stone : stones) {
sum += stone;
}
int m = sum / 2;
int n = stones.length;
//二维动态规划数组
boolean [][] dp = new boolean[n + 1][m + 1];
dp[0][0] = true;
for (int i = 1; i <= n; i++) {
for (int j = 0; j <= m; j++) {
if (stones[i - 1] > j)
dp[i][j] = dp[i - 1][j];
else
dp[i][j] = dp[i - 1][j] || dp[i - 1][j - stones[i - 1]];
}
}
for (int j = m; j >= 0; j--) {
if (dp[n][j] == true)
return sum - 2 * j;
}
return 0;
}
}