动态规划解题套路框架
动态规划问题的一般形式就是求最值,它的核心问题是穷举。
特点
1.这类问题存在“重叠子问题
”,如果暴力穷举会导致效率极其低下。
2.这类问题一定会具备“最优子结构
”。
3.只有列出正确的“状态转移方程
”才能正确穷举,也是最困难的一步。
思考方向
1.这个问题的base case
(最简单情况)是什么
2.这个问题有什么状态
3.对于每个状态,可以做出什么选择使得状态发生改变
4.如何定义dp数组
/函数来表现状态和选择
概括:状态,选择,dp数组的定义
框架
#初始化base case
dp[0][1][...]=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,...)
注意:但凡遇到需要递归解决的问题,最好都画出递归树,递归算法的时间复杂度=子问题个数*解决一个子问题需要的时间
300. 最长递增子序列
300. 最长递增子序列
给你一个整数数组 nums ,找到其中最长严格递增子序列的长度。
子序列 是由数组派生而来的序列,删除(或不删除)数组中的元素而不改变其余元素的顺序。例如,[3,6,2,7] 是数组 [0,3,1,6,2,2,7] 的子序列。
解法
动态规划的核心设计思想是数学归纳法,假如我们想证明一个数学结论,那么先假设这个结论在k<n时成立,然后根据这个假设,想办法推导出k=n时此结论成立。
而动态规划需要一个dp数组,可以假设dp[0…i-1]都已经被算出来了,问自己怎么通过这些结果算出dp[i]?
首先要定义清楚dp数组的含义,dp[i]的值到底代表什么
此处我们定义dp[i]为以num[i]这个数结尾的最长递增子序列的长度,根据这个定义可以推出base case
:dp[i]的初始值为1
,因为以nums[i]结尾的最长递增子序列起码要包含自身
例子
此时dp[3]=3,d[4]=2
算法严谨的过程是从i=0开始遍历dp数组,通过dp[0…i-1]来推导dp[i],根据这个定义最终结果应该是dp数组中的最大值
假设我们现在知道了dp[0…4]的所有结果,如何通过这些已知结果推出dp[5]?
想求dp[5]的值,也就是想求以nums[5]为结尾的最长递增子序列,若nums[5]为x,只要找到前面那些结尾比x小的子序列,然后把x接到最后就可以形成一个新的递增子序列,而且这个新的子序列长度加一
当i=n时,dp[n]就可以算出来,利用数学归纳也能算出其他的
public int lengthOfLIS(int[] nums) {
int dp[]=new int[nums.length];//创建一个等长的dp数组
Arrays.fill(dp,1);//初始值为1
for(int i=0;i<nums.length;i++){
for(int j=0;j<i;j++){//里层循环用于当前nums[i]和其之前的nums[j]的数值比较
if(nums[i]>nums[j]){
//如果形成了递增关系,则判断dp[i]原本的值是否比新递增序列的长度要大
dp[i]=Math.max(dp[i],dp[j]+1);
}
}
}
int res=0;//遍历得最大值
for(int k=0;k<nums.length;k++){
res=Math.max(res,dp[k]);
}
return res;
}
}
总结
这种算法时间复杂度为O(n²)
如何找到动态规划的转移关系
1.明确dp数组所存数据的含义
2.根据定义运用数学归纳法,假设dp[0…i-1]已知,想办法求出dp[i]
如果无法完成第二步,很可能是dp数组定义不恰当,或者是dp数组存储信息还不够,不足以推出下一步的答案,需要把dp数组扩大成二维或者三维