文章目录
适用情况
- 问题需要求最优解
- 最优子结构:大问题可以分解为子问题,子问题间必须互相独立,并且大问题的最优解可以由子问题的最优解推导而得
- 重叠子问题:一个子问题需要被重复求解
思路流程
- 确定base case:即最小的子问题,可以直接求解得到。
- 确定【状态】:即大问题和子问题中会变化的变量是什么
- 确定【选择】【状态转移方程】:也就是导致【状态】产生变化的行为
- 明确 dp 函数/数组的定义:我们这里讲的是自顶向下的解法,所以会有一个递归的 dp 函数,一般来说函数的参数就是状态转移中会变化的量,也就是上面说到的【状态】;函数的返回值就是题目要求我们计算的量。
如何确定状态转移方程
- 明确
dp
数组的定义 - 根据
dp
数组的定义。运用数学归纳法的思想,假设dp[0,…,i-1]都已知,求dp[i] - 如果第二步不顺利,可能是
dp
数组设置的不恰当,需要重新定义数组
如何确定dp数组的遍历方向
-
遍历的过程中,所需的状态必须是已经计算出来的。
-
遍历结束后,存储结果的那个位置必须已经被计算出来。
空间压缩
能够使用空间压缩技巧的动态规划都是二维 dp
问题,你看它的状态转移方程,如果计算状态 dp[i][j]
需要的都是 dp[i][j]
相邻的状态,那么就可以使用空间压缩技巧,将二维的 dp
数组转化成一维,将空间复杂度从 O(N^2) 降低到 O(N)。
例子 子序列问题
- 第一种思路模板是一个一维的dp数组:
int n=array.length;
int[] dp=new int[n];
for(int i=1;i<n;i++){
for(int j=0;j<i;j++){
dp[i]=最值(dp[i],do[j]+...);
}
}
在子数组arr[0..i]
中,我们要求的子序列(最长递增子序列)的长度是dp[i]
。
- 第二种思路模板是一个二维的dp数组:
int n=array.length;
int[][] dp=new int[n][n];
for(int i=0;i<n;i++){
for(int j=0;j<n;j++){
if(arr[i]==arr[j])
dp[i][j]=dp[i][j]+...
else
dp[i][j]=最值(...)
}
}
2.1 涉及两个字符串/数组的场景,dp
数组的定义如下:
在子数组arr1[0..i]
和子数组arr2[0..j]
中,我们要求的子序列长度为dp[i][j]
。
2.2 只涉及一个字符串/数组的场景,dp
数组的定义如下:
在子数组array[i..j]
中,我们要求的子序列的长度为dp[i][j]
。
例子「 零钱兑换」:
给你 k 种面值的硬币,面值分别为 c1, c2 … ck,每种硬币的数量无限,再给一个总金额 amount,问你最少需要几枚硬币凑出这个金额,如果不可能凑出,算法返回 -1 。算法的函数签名如下:
// coins 中是可选硬币面值,amount 是目标金额
int coinChange(int[] coins, int amount);
- 确定 base case:这个很简单,显然目标金额 amount 为 0 时算法返回 0,因为不需要任何硬币就已经凑出目标金额了。
- 确定「状态」:也就是原问题和子问题中会变化的变量。由于硬币数量无限,硬币的面额也是题目给定的,只有目标金额会不断地向 base case 靠近,所以唯一的「状态」就是目标金额 amount。
- 确定「选择」:也就是导致「状态」产生变化的行为。目标金额为什么变化呢,因为你在选择硬币,你每选择一枚硬币,就相当于减少了目标金额。所以说所有硬币的面值,就是你的「选择」。
- 明确 dp 函数/数组的定义:我们这里讲的是自顶向下的解法,所以会有一个递归的 dp 函数,一般来说函数的参数就是状态转移中会变化的量,也就是上面说到的「状态」;函数的返回值就是题目要求我们计算的量。就本题来说,状态只有一个,即「目标金额」,题目要求我们计算凑出目标金额所需的最少硬币数量。
解法1 暴力递归
int coinChange(int[] coins, int amount) {
// 题目要求的最终结果是 dp(amount)
return dp(coins, amount)
}
// 定义:要凑出金额 n,至少要 dp(coins, n) 个硬币
int dp(int[] coins, int amount) {
// base case
if (amount == 0) return 0;
if (amount < 0) return -1;
int res = Integer.MAX_VALUE;
for (int coin : coins) {
// 计算子问题的结果
int subProblem = dp(coins, amount - coin);
// 子问题无解则跳过
if (subProblem == -1) continue;
// 在子问题中选择最优解,然后加一
res = Math.min(res, subProblem + 1);
}
return res == Integer.MAX_VALUE ? -1 : res;
}
可以看到状态转移方程:
解法2 带备忘录的递归
int[] memo;
int coinChange(int[] coins, int amount) {
memo = new int[amount + 1];
// 备忘录初始化为一个不会被取到的特殊值,代表还未被计算
Arrays.fill(memo, -666);
return dp(coins, amount);
}
int dp(int[] coins, int amount) {
if (amount == 0) return 0;
if (amount < 0) return -1;
// 查备忘录,防止重复计算
if (memo[amount] != -666)
return memo[amount];
int res = Integer.MAX_VALUE;
for (int coin : coins) {
// 计算子问题的结果
int subProblem = dp(coins, amount - coin);
// 子问题无解则跳过
if (subProblem == -1) continue;
// 在子问题中选择最优解,然后加一
res = Math.min(res, subProblem + 1);
}
// 把计算结果存入备忘录
memo[amount] = (res == Integer.MAX_VALUE) ? -1 : res;
return memo[amount];
}
解法3 迭代动态规划
int coinChange(int[] coins, int amount) {
int[] dp = new int[amount + 1];
// 数组大小为 amount + 1,初始值也为 amount + 1
Arrays.fill(dp, amount + 1);
// base case
dp[0] = 0;
// 外层 for 循环在遍历所有状态的所有取值
for (int i = 0; i < dp.length; i++) {
// 内层 for 循环在求所有选择的最小值
for (int coin : coins) {
// 子问题无解,跳过
if (i - coin < 0) {
continue;
}
dp[i] = Math.min(dp[i], 1 + dp[i - coin]);
}
}
return (dp[amount] == amount + 1) ? -1 : dp[amount];
}
例子「 最长递增子序列」
我们的定义是这样的:dp[i] 表示以 nums[i] 这个数结尾的最长递增子序列的长度。
base case:dp[i] 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它自己。
int lengthOfLIS(int[] nums) {
// 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
int[] dp = new int[nums.length];
// base case:dp 数组全都初始化为 1
Arrays.fill(dp, 1);
for (int i = 0; i < nums.length; i++) {
for (int j = 0; j < i; j++) {
if (nums[i] > nums[j])
dp[i] = Math.max(dp[i], dp[j] + 1);
}
}
int res = 0;
for (int i = 0; i < dp.length; i++) {
res = Math.max(res, dp[i]);
}
return res;
}