题目来自:https://leetcode-cn.com/study-plan/dynamic-programming/?progress=nc4eyhc
爬楼梯(简单)
class Solution {
public int climbStairs(int n) {
if (n <= 2 ) {
return n;
}
int[] ans = new int[n + 1];
ans[1] = 1;
ans[2] = 2;
for (int i = 3; i <= n; i++) {
ans[i] = ans[i - 1] + ans[i - 2];
}
return ans[n];
}
}
使用最小花费爬楼梯(简单)(爬楼梯进阶版本)
注意,cost的最后一个元素不是楼顶,还需要爬一次才到楼顶, 还需要注意状态转移方程和base case。
状态转移方程:
d
p
[
n
]
=
m
i
n
(
d
p
[
n
−
1
]
+
c
o
s
t
[
n
−
1
]
,
d
p
[
n
−
2
]
+
c
o
s
t
[
n
−
2
]
)
dp[n] = min(dp[n-1] + cost[n-1], dp[n-2] + cost[n-2])
dp[n]=min(dp[n−1]+cost[n−1],dp[n−2]+cost[n−2])
初始情况:因为题目说可以从0、1下标的台阶开始,所以它们的花费=0。
class Solution {
public int minCostClimbingStairs(int[] cost) {
// min(dp[n-1]+cost[n-1], dp[n-2]+cost[n-2])
int n = cost.length;
int[] dp = new int[n + 1];
// base case
dp[0] = 0;
dp[1] = 0;
// 迭代所有状态
for (int i = 2; i <= n; i++) {
dp[i] = Math.min(dp[i - 1] + cost[i - 1], dp[i - 2] + cost[i - 2]);
}
return dp[n];
}
}
打家劫舍(中等)
思考这么一个问题,对于某一号房间,具有什么状态? 很简单就是抢和不抢, 所以就可以写出状态转移方程:
d
p
[
n
]
=
m
a
x
(
d
p
[
n
−
1
]
,
d
p
[
n
−
2
]
+
n
u
m
s
[
n
]
)
dp[n] = max(dp[n-1], dp[n-2] + nums[n])
dp[n]=max(dp[n−1],dp[n−2]+nums[n])
选择不抢,那么旁边的就可以抢;选择抢,那么旁边的就不可以抢,比较抢和不抢的价值,即可得出最终答案。
初始情况,第1号房间就是其本身的价值(因为就它一间房子,只有抢了价值才最大),第二号房间就要判断抢第1号房间,还是抢第2号房间,选择价值更大的房间来抢。
注意题目中1号房间的下标是0。
class Solution {
public int rob(int[] nums) {
// 对于每间房屋有两种状态:抢(加上这家的价值)、不抢(那就看旁边一家的价值)
// dp[n] = max(dp[n-1], dp[n-2] + nums[n])
// 注意题目中下标0记录的是一号房间的价值
int n = nums.length;
if (n == 1) {
return nums[0];
}
if (n == 2) {
return Math.max(nums[0], nums[1]);
}
int[] dp = new int[n + 1];
// base case
// 房间号从 1 开始
dp[1] = nums[0];
// 2号房间分为:抢1号房间、不抢1号房间
dp[2] = Math.max(nums[0], nums[1]);
// 遍历所有状态
for (int i = 3; i <= n; i++) {
// nums[i - 1]是因为nums的1号房间从下标0开始
dp[i] = Math.max(dp[i - 1], dp[i - 2] + nums[i - 1]);
}
return dp[n];
}
}
打家劫舍Ⅱ(中等)
和上一道题不同在于,1号房间和最后一号房间连接在一起了,想一想这会导致什么问题?
连接在一起了说明,1号房间一旦被抢,最后一号房间就不能被抢;而1号房间没被抢,最后一号房间可能被抢(注意只是可能,因为最后一号房间可以抢或者不抢)。上一道题1号房间只有一种状态,但本题1号房间有两种状态,必须要确定下1号房间的状态,才能确定后续房间的状态。
所以,我们可以把1号房间的状态分成两种情况进行讨论:抢1号、不抢1号,因为两种情况下dp数组的初始化是不同的。最后再比较两中状态下,总的抢劫钱数,取最大的。
抢1号:那么后续步骤和上一题一样,但是最后第n号房间要注意,dp[n]只能等于dp[n-1],因为n号房间是不能抢的!!!
不抢1号:dp[1]=0,dp[2]=nums[2-1],之后以同样的状态转移方程迭代,注意第n号房间可以抢,也可以不抢。
class Solution {
public int rob(int[] nums) {
int n = nums.length;
if (n == 1) {
return nums[0];
}
if (n == 2) {
return Math.max(nums[0], nums[1]);
}
int[] dp = new int[n+1];
// 连起来了,那么 1号房可能抢、不抢,我们需要比较两种情况下的价值
// 先看1号房间抢
dp[1] = nums[0];
// 2号房间,看抢 1 号 还是 2号
dp[2] = Math.max(nums[0], nums[1]);
for (int i = 3; i < n; i++) {
// 分为抢和不抢
dp[i] = Math.max(dp[i-1], dp[i-2] + nums[i-1]);
}
// 注意因为 1号房间抢了,所以 n号房间不能抢!!
// 此时 n号房间的价值就只能是 dp[n-1]
int first = dp[n-1];
// 再看1号房间不抢
dp = new int[n+1];
dp[1] = 0;
dp[2] = nums[1];
// 虽然1号房间不抢,但是 n 号房间也可能抢、不抢
// 一定要注意,1号房间不抢,不代表 n号房间就要抢
for (int i = 3; i <= n; i++) {
dp[i] = Math.max(dp[i-1], dp[i-2] + nums[i-1]);
}
return Math.max(first, dp[n]);
}
}
为了方便理解,在书写代码时都使用了dp数组,但其实可以用几个指针表示,这样就可以优化空间消耗。
删除并获得点数(中等)
讨论某一个数,它有两种状态:删除、不删除,如果被删除,直接获得它对应的点数(这里隐藏了,其实获得的点数=对应的点数 * 该数的个数,因为你删除本身一个数,同样一个数在数组中可能还存在,删除它们获得相同的点数,并且不会对数组造成新的影响),所以可以得出状态转移方程,对某个正整数n而言:
d
p
[
n
]
=
m
a
x
(
d
p
[
n
−
2
]
+
c
n
t
[
n
]
∗
n
,
d
p
[
n
−
1
]
)
dp[n] = max(dp[n-2]+cnt[n] * n, dp[n-1])
dp[n]=max(dp[n−2]+cnt[n]∗n,dp[n−1])
base case:这道题的初始状态怎么设置呢?dp[n]数组代表什么意思?
应该是:“dp[i]表示删除数组nums中的元素i(nums[i])所获得的最大点数为dp[i]。注意,此时你操作的数组元素范围是[0, i]”。
这里其实我们默认是从0开始找最大点数,所以dp[0] = 0,dp[1] = 1 * cnt[1],dp[2] = max(dp[0] + 2 * cnt[2], dp[1])
很多时候,题做多了容易得出状态转移方程,但是却不知道dp数组是什么意思,这样虽然能够做题,但给面试官的印象并不好!
class Solution {
public int deleteAndEarn(int[] nums) {
// 第n号数,有两种情况:删除、不删除(一旦删除了,它有多少个就可以拿多少点数)
// 一定要注意,删除了那个数,得到的点数是:那个数 * 个数
// dp[n] = max(dp[n-2] + cnt[n] * n号数的个数, dp[n-1])
int n = nums.length;
if (n == 1) {
return nums[0];
}
if (n == 2) {
if (nums[1] == nums[0] + 1 || nums[1] == nums[0] - 1) {
return Math.max(nums[0], nums[1]);
} else if (nums[0] == nums[1]) {
return 2 * nums[0];
} else {
return nums[0] + nums[1];
}
}
int max = -1;
// 找最大值确定数组大小
for (int i = 0; i < n; i++) {
if (nums[i] > max) {
max = nums[i];
}
}
int[] cnt = new int[max + 1];
// 统计数组中各数个数
for (int i = 0; i < n; i++) {
cnt[nums[i]]++;
}
int[] dp = new int[max + 1];
// dp[i]表示1 <= x <= i 的整数范围内能够构成的最大值
dp[1] = 1 * cnt[1];
dp[2] = Math.max(dp[0] + 2 * cnt[2], dp[1]);
for (int i = 3; i <= max; i++) {
dp[i] = Math.max(dp[i - 2] + i * cnt[i], dp[i - 1]);
}
return dp[max];
}
}
跳跃游戏(中等)
初步感知,遍历每一个下标和其元素,将能到达的位置标记为true。
class Solution {
public boolean canJump(int[] nums) {
// nums[i]是该位置可以跳跃的最大长度,意思是可以跳、不跳
// nums[0] = 2 dp[0] = true dp[1] = true dp[2] = true
int n = nums.length;
if (nums[0] >= n - 1) {
return true;
}
boolean[] dp = new boolean[n];
for (int i = 0; i <= nums[0]; i++) {
dp[i] = true;
}
for (int i = 1; i < nums.length; i++) {
if (dp[i] == true) {
for (int j = 0; j <= nums[i]; j++) {
if ((i + j) < n) {
dp[i + j] = true;
} else {
break;
}
}
}
}
return dp[n - 1];
}
}
是否可以优化?注意每个下标对应的元素是指能够跳跃的最大位置,意思是说可以跳0-n步,那么我们直接看它当前下标最多能跳多远就可以了,因为小于最大下标的位置都可以跳到。
class Solution {
public boolean canJump(int[] nums) {
// nums[i]是该位置可以跳跃的最大长度,意思是可以跳、不跳
// 关键点:如果从当前位置最远能够到达 k,那么在 k 之前的位置都是可以到达的
int n = nums.length;
int dp = 0;
for (int i = 0; i < n; i++) {
if (dp < i) {
// 前面最大值的情况都到不了i下标了
return false;
}
// 只用更新能跳到的最远下标即可,因为小于最远下标的所有下标都能跳到
dp = Math.max(dp, i + nums[i]);
}
return dp >= (n - 1);
}
}
从上面代码可以看出,其实解题思路更偏向贪心,动态规划也能解,只是速度慢。
跳跃游戏Ⅱ(中等)
遍历当前下标能够到达的下标,如果跳跃数更小,就更新该下标的跳跃数,dp数组记录到达每个下标所需的最小跳跃数。
class Solution {
public int jump(int[] nums) {
int n = nums.length;
if (n == 1) {
return 0;
}
int[] dp = new int[n];
Arrays.fill(dp, n);
dp[0] = 0;
for (int i = 0; i < n; i++) {
// 记录下当前下标能跳到的最远位置
int k = i + nums[i];
int j = i + 1;
while (j <= k && j < n) {
dp[j] = Math.min(dp[j], dp[i] + 1);
j++;
}
}
return dp[n - 1];
}
}
最大子数组和(简单)
对于数组中某一个数,具有两种状态,选它、不选它。选它,那么全局和就加上它,不选它,那么全局和就是它自己,因为子数组必须连续且至少有一个数,dp数组的含义是:第 i 个数结尾的「连续子数组的最大和」(在题目条件下),所以很容易就能写出状态转移方程:
d
p
[
n
]
=
m
a
x
(
d
p
[
n
−
1
]
+
n
u
m
s
[
n
]
,
n
u
m
s
[
n
]
)
dp[n] = max(dp[n-1] + nums[n], nums[n])
dp[n]=max(dp[n−1]+nums[n],nums[n])
也可以写成:因为如果前一个dp为负数,怎么加都会小于自身的nums,所以直接看前一个dp值即可。
d
p
[
n
]
=
n
u
m
s
[
n
]
+
m
a
x
(
d
p
[
n
−
1
]
,
0
)
dp[n] = nums[n] + max(dp[n-1], 0)
dp[n]=nums[n]+max(dp[n−1],0)
注意,因为dp数组的含义是必须以第 i 个数结尾的连续子数组的最大和,所以dp[n]不一定能成为全局最大值,应该时刻比较记录最大值。
写出相应代码如下:
class Solution {
public int maxSubArray(int[] nums) {
// 对于某一个数,有两种状态:选它,不选它
// 如果不选它,前 i 个数能组成的最大和就是它本身(因为必须至少包含一个数
// 如果选它,全局和 + 当前数
int n = nums.length;
int[] dp = new int[n + 1];
// dp数组代表数组前 i 个数,能够组成的最大和(注意:是连续的子数组且必须包含一个数)
dp[0] = 0;
int max = Integer.MIN_VALUE;
// dp[n] = max(nums[n], dp[n-1] + nums[n])
for (int i = 1; i <= n; i++) {
dp[i] = Math.max(nums[i - 1], dp[i - 1] + nums[i - 1]);
max = Math.max(dp[i], max);
}
return max;
}
}
扩展:由本题的状态转移方程,可以推出最小子数组和的状态转移方程,如下:
d
p
[
n
]
=
m
i
n
(
d
p
[
n
−
1
]
+
n
u
m
s
[
n
]
,
n
u
m
s
[
n
]
)
dp[n] = min(dp[n - 1] + nums[n], nums[n])
dp[n]=min(dp[n−1]+nums[n],nums[n])
也可以写成:
d
p
[
n
]
=
n
u
m
s
[
n
]
+
m
i
n
(
d
p
[
n
−
1
]
,
0
)
dp[n] = nums[n] + min(dp[n - 1], 0)
dp[n]=nums[n]+min(dp[n−1],0)
※环形子数组最大和(中等)(上一题升级版)
如上图所示,产生最大和的子数组无非就两种情况,一种不成环,一种成环。成环的情况用上一题方法直接求解,成环的情况该如何求解?
直接给出结论:成环情况的最大值=数组总和 - 未成环部分的最小子数组和
这里贴出LeetCode上的证明:
地址:https://leetcode-cn.com/problems/maximum-sum-circular-subarray/solution/wo-hua-yi-bian-jiu-kan-dong-de-ti-jie-ni-892u/
获得两种情况下的最大值后,比较获得更大的一个,即为最终的答案。
这道题和打家劫舍Ⅱ类似,都要分两种情况讨论,以后遇到成环的问题一定要分开讨论。
class Solution {
public int maxSubarraySumCircular(int[] nums) {
// 分两种情况:最大和在未成环状态下产生、最大和在成环状态下产生
// 先算未成环,就和53题一样,正常求解
int n = nums.length;
if (n == 1) {
return nums[0];
}
int[] dp = new int[n];
dp[0] = nums[0];
int max = nums[0];
int sum = nums[0];
for (int i = 1; i < n; i++) {
// 采用第二种状态转移方程
dp[i] = nums[i] + Math.max(dp[i - 1], 0);
max = Math.max(dp[i], max);
// 统计数组中所有元素的的和
sum += nums[i];
}
// 再统计成环的情况,那么最大和的子数组一定包含第一个元素和最后一个元素(只有这样才能成环)
// 假设数组范围:nums[0] - nums[n - 1]
// 那么遍历范围:nums[1] - nums[n - 2
int min = nums[1];
for (int i = 1; i < n - 1; i++) {
dp[i] = nums[i] + Math.min(dp[i - 1], 0);
min = Math.min(min, dp[i]);
}
return Math.max(sum - min, max);
}
}
※乘积最大子数组(中等)
先来直观的想法,和53题(最大子数组和)一样,写出状态转移方程:
d
p
[
n
]
=
m
a
x
(
d
p
[
n
−
1
]
∗
n
u
m
s
[
n
]
,
n
u
m
s
[
n
]
)
dp[n] = max(dp[n-1]*nums[n], nums[n])
dp[n]=max(dp[n−1]∗nums[n],nums[n])
这个写法是否有问题? 显然是有问题的,例如:-3,2,-3,上面方程得出的结果是2,但是实际是18,问题在于少考虑了负负得正的情况! 负负得正的情况是在当前数为负数的情况下才考虑,并且要是前面能获得的最小负数,乘出来的结果才可能大;如果是正数直接考虑前面的最大值即可。
新的状态转移方程:
m
a
x
a
r
r
[
n
]
=
m
a
x
(
n
u
m
s
[
n
]
,
m
a
x
a
r
r
[
n
−
1
]
∗
n
u
m
s
[
n
]
,
m
i
n
a
r
r
[
n
−
1
]
∗
n
u
m
s
[
n
]
)
maxarr[n] = max(nums[n], maxarr[n-1] * nums[n], minarr[n-1] * nums[n])
maxarr[n]=max(nums[n],maxarr[n−1]∗nums[n],minarr[n−1]∗nums[n])
m
i
n
a
r
r
[
n
]
=
m
i
n
(
n
u
m
s
[
n
]
,
m
a
x
a
r
r
[
n
−
1
]
∗
n
u
m
s
[
n
]
,
m
i
n
i
a
r
r
[
n
−
1
]
∗
n
u
m
s
[
n
]
)
minarr[n] = min(nums[n], maxarr[n-1] * nums[n], miniarr[n-1] *nums[n])
minarr[n]=min(nums[n],maxarr[n−1]∗nums[n],miniarr[n−1]∗nums[n])
maxarr[i] 和 minarr[i],代表以第i个数结尾的最大、最小子数组乘积。
class Solution {
public int maxProduct(int[] nums) {
// 53题的改编题
int n = nums.length;
int[] max_arr = new int[n];
int[] min_arr = new int[n];
max_arr[0] = nums[0];
min_arr[0] = nums[0];
// max_arr[i]指以第i个数结尾的子数组的最大乘积
// min_arr[i]指以第i个数结尾的子数组的最小乘积
// 考虑数组中某个数nums[i],需要考虑负数 * 负数 和 正数 * 正数,最大值一定在它们之间产生
int max = nums[0];
for (int i = 1; i < n; i++) {
max_arr[i] = Math.max(nums[i], Math.max(max_arr[i - 1] * nums[i], min_arr[i - 1] * nums[i]));
min_arr[i] = Math.min(nums[i], Math.min(max_arr[i - 1] * nums[i], min_arr[i - 1] * nums[i]));
max = Math.max(max_arr[i], max);
}
return max;
}
}
※乘积为正数的最长子数组长度(中等+)
第一次遇到没有想出来,但知道应该是要分成正负情况讨论的(和上一题一样),下面开始讨论:
题解地址: https://leetcode-cn.com/problems/maximum-length-of-subarray-with-positive-product/solution/cheng-ji-wei-zheng-shu-de-zui-chang-zi-shu-zu-ch-3/
对上述题解的说明:
1、nums[i] > 0 时,pos数组的计算:pos[i] = pos[i - 1] + 1,如果pos[i - 1] = 0,说明以第 i - 1个数结尾的连续数组的乘积非正(就是可能为0、负数),但nums[i]本身是正数,所以得+1;如果pos[i - 1] != 0,说明以第 i - 1个数结尾的连续数组的乘积为正,那就是“正大光明”地+1即可。综上,不管pos[i - 1]的大小,都可以写成pos[i] = pos[i - 1] + 1。
2、nums[i] > 0 时,neg数组的计算:为什么不能直接 neg[i] = neg[i - 1] + 1?,因为如果neg[i - 1] = 0,说明以第 i - 1个数结尾的连续数组的乘积非负(可能为正、可能为0)而nums[i]本身又是大于0的数,不可能是+1,应该就是0。如果neg[i - 1] > 0,说明以第 i - 1个数结尾的连续数组的乘积为负,乘上正数还为负,所以neg[i] = neg[i - 1] + 1。综上,需要对neg[i - 1]的大小进行判断,写出相应的状态转移方程。
3、对nums[i] < 0的讨论同理,neg[i] = pos[i - 1] + 1无论pos[i - 1]的大小都可以直接使用,因为nums[i]本身是小于0的。pos[i]的更新要取决于neg[i - 1],如果neg[i - 1] > 0,说明以第 i - 1个数结尾的连续数组的乘积为负,负负得正,所以pos[i] = neg[i - 1] + 1;如果neg[i - 1] = 0,说明xxxx乘积为非负(可正、可0),加之nums[i]本身是负数,所以neg[i] = 0。
4、最后还需要讨论nums[i] = 0的情况,一旦为0,neg[i] pos[i] 都为0,0乘任何数=0。
neg、pos数组的含义:以第 i 个数结尾的子数组乘积为负、正的最大长度。
class Solution {
public int getMaxLen(int[] nums) {
int n = nums.length;
int[] pos = new int[n];
int[] neg = new int[n];
if (nums[0] > 0) {
pos[0] = 1;
}
if (nums[0] < 0) {
neg[0] = 1;
}
// 第一个数为0的话,都为0,默认数组=0
int max = pos[0];
for (int i = 1; i < n; i++) {
if (nums[i] > 0) {
pos[i] = pos[i - 1] + 1;
if (neg[i - 1] > 0) {
neg[i] = neg[i - 1] + 1;
}else {
neg[i] = 0;
}
} else if (nums[i] < 0) {
// pos[i - 1] = 0 、> 0都是成立的,别忘了这是乘积
neg[i] = pos[i - 1] + 1;
if (neg[i - 1] > 0) {
// 负负得正
pos[i] = neg[i - 1] + 1;
} else {
// 非负(可正、可0)
pos[i] = 0;
}
} else {
// 当前元素 = 0
pos[i] = 0;
neg[i] = 0;
}
// 找的是乘积为正的最长子数组长度
max = Math.max(max, pos[i]);
}
return max;
}
}
遇到乘积问题一定要讨论正负情况!
最佳观光组合(中等)(脑筋急转弯)
把values[i] + values[j] + i - j,拆分为values[i] + i,values[j] - j,对于第 j 个景点,values[j] - j 是固定的,只需找到values[i] + i 的最大值。
class Solution {
public int maxScoreSightseeingPair(int[] values) {
// 两个景点:i、j组合得分 = values[i] + values[j] - (j - i)
// 对于经典 j,它的values[j] - j 是固定的,只需找到max(values[i] + i)即可
// max(values[i] + i)可以在遍历的过程中直接得到
int mx = values[0] + 0;
int ans = 0;
for (int i = 1; i < values.length; i++) {
ans = Math.max(ans, values[i] - i + mx);
mx = Math.max(mx, values[i] + i);
}
return ans;
}
}
持续更新ing…