题源:LeetCode
动态规划框架
# 初始化 base case
dp[0][0][...] = base
# 进行状态转移
for 阶段1 in 阶段1的所有取值:
for 阶段2 in 阶段2的所有取值:
for ...
dp[阶段1][阶段2][...] = 求最值(状态1,状态2...)
509. 斐波那契数
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
给你 n ,请计算 F(n) 。
class Solution {
public:
int fib(int n) {
if(n == 0) return 0;//不考虑边界可能发生段错误
vector<int> dp(n+1);
dp[1]=1;
for(int i=2;i<=n;i++){
dp[i] = dp[i-1]+dp[i-2];
}
return dp[n];
}
};
322. 零钱兑换
给你一个整数数组 coins ,表示不同面额的硬币;以及一个整数 amount ,表示总金额。
计算并返回可以凑成总金额所需的 最少的硬币个数 。如果没有任何一种硬币组合能组成总金额,返回 -1 。
你可以认为每种硬币的数量是无限的。
示例 1:
输入:coins = [1, 2, 5], amount = 11
输出:3
解释:11 = 5 + 5 + 1
示例 2:
输入:coins = [2], amount = 3
输出:-1
示例 3:
输入:coins = [1], amount = 0
输出:0
示例 4:
输入:coins = [1], amount = 1
输出:1
示例 5:
输入:coins = [1], amount = 2
输出:2
提示:
1 <= coins.length <= 12
1 <= coins[i] <= 231 - 1
0 <= amount <= 104
dp[i] :价格为 i 所需要的最少的硬币个数。
class Solution {
public:
int coinChange(vector<int>& coins, int amount) {
int Max = amount + 1;
vector<int> dp(amount + 1, Max);
dp[0] = 0;// base case
for (int i = 1; i <= amount; i++) {
// 从1数到amount,自底向上
for (int j = 0; j < (int)coins.size(); j++) {
// 遍历硬币
if (coins[j] <= i) {
// 更新子问题最优解
dp[i] = min(dp[i], dp[i - coins[j]] + 1);
}
}
}
return dp[amount] > amount ? -1 : dp[amount];
}
};
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。
示例 1:
输入:nums = [10,9,2,5,3,7,101,18]
输出:4
解释:最长递增子序列是 [2,3,7,101],因此长度为 4 。
示例 2:
输入:nums = [0,1,0,3,2,3]
输出:4
示例 3:
输入:nums = [7,7,7,7,7,7,7]
输出:1
提示:
1 <= nums.length <= 2500
-104 <= nums[i] <= 104
注意「子序列」和「子串」这两个名词的区别,子串一定是连续的,而子序列不一定是连续的。
动态规划解法:
定义dp[i] 表示以 nums[i] 这个数结尾的最长递增子序列的长度。
class Solution {
public:
int lengthOfLIS(vector<int>& nums) {
int res(1);
vector<int> dp(nums.size(), 1);
for(int i = 0; i < nums.size(); i++){
for(int j = 0; j < i; j++){
if(nums[i] > nums[j]){
dp[i] = max(dp[i], dp[j]+1);//在nums[j]的基础上计算nums[i]的dp[i]值
res = max(res, dp[i]);
}
}
}
return res;
}
};
二分查找解法
其实最长递增子序列和一种叫做 patience game 的纸牌游戏有关,甚至有一种排序方法就叫做 patience sorting(耐心排序)。
类似蜘蛛纸牌的玩法。
这个解法先放一放,今天的重点是动态规划,不能跑偏。
53. 最大子数组和
给你一个整数数组 nums ,请你找出一个具有最大和的连续子数组(子数组最少包含一个元素),返回其最大和。
子数组 是数组中的一个连续部分。
示例 1:
输入:nums = [-2,1,-3,4,-1,2,1,-5,4]
输出:6
解释:连续子数组 [4,-1,2,1] 的和最大,为 6 。
示例 2:
输入:nums = [1]
输出:1
示例 3:
输入:nums = [5,4,-1,7,8]
输出:23
提示:
1 <= nums.length <= 105
-104 <= nums[i] <= 104
此题不能用滑动窗口,因为数组中的数字可以是负数,不知道何时缩小左边界。
不能用动态规划时这样定义dp[i]:nums[0…i] 中的「最大的子数组和」为 dp[i]。(可以是断的)
因为子数组一定是连续的,按照我们当前 dp 数组定义,并不能保证 nums[0…i] 中的最大子数组与 nums[i+1] 是相邻的,也就没办法从 dp[i] 推导出 dp[i+1]。所以说我们这样定义 dp 数组是不正确的,无法得到合适的状态转移方程。
定义dp[i]:以 nums[i] 为结尾的「最大子数组和」为 dp[i]。(一定是连续的)
class Solution {
public:
int maxSubArray(vector<int>& nums) {
if(nums.size()==0) return 0;
vector<int> dp(nums.size(),0);
int maxLength = nums[0];
dp[0] = nums[0];
for(int i = 1; i < nums.size(); i++){
dp[i] = max(nums[i], dp[i-1] + nums[i]);
//以 nums[i] 为结尾的最大子数组和要么是自己,要么是自己加上以 nums[i-1] 为结尾的最大子数组和
maxLength = max(maxLength, dp[i]);
}
return maxLength;
}
};
72. 编辑距离
给你两个单词 word1 和 word2, 请返回将 word1 转换成 word2 所使用的最少操作数 。
你可以对一个单词进行如下三种操作:
插入一个字符
删除一个字符
替换一个字符
示例 1:
输入:word1 = “horse”, word2 = “ros”
输出:3
解释:
horse -> rorse (将 ‘h’ 替换为 ‘r’)
rorse -> rose (删除 ‘r’)
rose -> ros (删除 ‘e’)
示例 2:
输入:word1 = “intention”, word2 = “execution”
输出:5
解释:
intention -> inention (删除 ‘t’)
inention -> enention (将 ‘i’ 替换为 ‘e’)
enention -> exention (将 ‘n’ 替换为 ‘x’)
exention -> exection (将 ‘n’ 替换为 ‘c’)
exection -> execution (插入 ‘u’)
提示:
0 <= word1.length, word2.length <= 500
word1 和 word2 由小写英文字母组成
dp[i][j] 代表 word1 到 i 位置转换成 word2 到 j 位置需要最少步数
所以,
当 word1[i] == word2[j],dp[i][j] = dp[i-1][j-1];
当 word1[i] != word2[j],dp[i][j] = min(dp[i-1][j-1], dp[i-1][j], dp[i][j-1]) + 1
其中,dp[i-1][j-1] 表示替换操作,dp[i-1][j] 表示删除操作,dp[i][j-1] 表示插入操作。
增删改操作的顺序可以是任意的,因此我们可以按 字符串顺序的考虑三种可能的操作。
注意,针对第一行,第一列要单独考虑,我们引入 ‘’ 下图所示:
第一行,是 word1 为空变成 word2 最少步数,就是插入操作
第一列,是 word2 为空,需要的最少步数,就是删除操作
由于计算dp[i][j] 需要知道dp[i-1][j-1], dp[i-1][j], dp[i][j-1]的值,所以我们需要先初始化计算边界:
很显然在i0 和 j0时候即其中一个为空串的情况,那么编辑距离就是另一个串的长度(不断执行增加或者删除操作)。
for(int i = 0; i <= n; i++) dp[i][0] = i;
for(int j = 0; j <= m; j++) dp[0][j] = j;
class Solution {
public:
int minDistance(string word1, string word2) {
int dp[501][501];
int n= word1.size(), m = word2.size();
for(int i = 0; i <= n; i++) dp[i][0] = i;
for(int j = 0; j <= m; j++) dp[0][j] = j;
for(int i = 1; i <= n; i++)
for(int j = 1; j <= m; j++){
if(word1[i-1] == word2[j-1]) dp[i][j] = dp[i-1][j-1];
else dp[i][j] = 1 + min({dp[i-1][j-1], dp[i-1][j], dp[i][j-1]});//替换、删除、插入
}
return dp[n][m];
}
};