参考 labuladong
Dynamic programming,简称DP。例如背包问题和斐波那契数列等,剪绳子问题(写过)。
核心是分治思想,通过子问题求之:划分状态-状态表示-状态转移-确定边界。
如斐波那契数列: F[I] = F[I-1] + F[I-2]:自底向上。
主要包括自顶向下(又叫记忆化搜索)和自底向上两种思路。
首先,动态规划问题的一般形式就是求最值。
既然是要求最值,核心问题是什么呢?求解动态规划的核心问题是穷举。因为要求最值,肯定要把所有可行的答案穷举出来,然后在其中找最值呗。
动态规划的穷举有点特别,因为这类问题存在**「重叠子问题」,如果暴力穷举的话效率会极其低下,所以需要「备忘录」–字典/哈希表**或者「DP table」来优化穷举过程,避免不必要的计算。
动态规划问题一定会具备「最优子结构」,才能通过子问题的最值得到原问题的最值。
只有列出正确的「状态转移方程」才能正确地穷举。
动态规划的三要素: 重叠子问题、 最优子结构、 状态转移方程 写出状态转移方程是最困难的,这也就是为什么很多朋友觉得动态规划问题困难的原因
状态转移方程:
明确 base case -> 明确「状态」-> 明确「选择」 -> 定义 dp 数组/函数的含义
题目的类型主要包含以下几个方面:
子序列类型:最长公共子序列;最大子数组
背包类型:0-1背包;完全背包;
贪心类型:区间调度
斐波纳契数列
# 初始化 base case
dp[0][0][...] = base
# 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...)
首先是斐波那契数列:
数学规律就是: f(n) = f(n-1) + f(n-2)
暴力求解:
def dongtai(n):
if n == 1:
return 1
if n == 2:
return 2
return dongtai(n-1) + dongtai(n-2)
问题是有很多的重叠子问题: f(10) = f(9) + f(8),等式右边两个在求解的时候,必然有很多重复的,比如f(9) = f(8) + f(7);8又出现了!
所以这里如果引入备忘录–字典:可以解决这个问题。
record = {}
def dongtai(n):
if n == 1:
return 1
if n == 2:
return 2
if n in record:
return record[n]
record[n] = dongtai(n-1) + dongtai(n-2)
return record[n]
但是,上述主要的思路还是自顶向下的思路,也可以换成 自底向上的思路,就是用for循环,从低层考虑起来,就可以避免这个问题。递归树:
def dongtai(n):
dp = [0] * n
for i in range(n):
if i == 1:
dp[0] = 1
elif i == 2:
dp[1] = 2
else:
dp[i] = dp[i-1] + dp[i-2]
def dongtai(n):
for i in range(n):
if i == 1:
a = 1
elif i == 2:
b = 2
else:
c = a + b
a = b
b = c
零钱的拼凑问题无非就是拼成的组合数 / 最少使用多少枚硬币拼成~ 这些硬币都是无限的。
具体的转移公式 很相似, 区别在初始化的第0列需要注意!! 另一个注意点是因为是无限的,所以每次操作主要在本行也就是当前选择的硬币上操作 ~ dp[i][j] = dp[i][j-coins[i-1]] + dp[i-1][j]
这种题根本不需要考虑重复的问题,因为本来就是不会回头的,并且原本就是无限的。 不会回头指的是 比如 1 2 3 三种面额,当考虑到3这种面额的时候,不会再回过头取再考虑2的情况,那些情况已经是已有的组合了。
如果是一堆硬币,不是无限的,那么怎么操作~~ 首先排序。求组合数
dp[i][j] = dp[i-1][j] + dp[i-1][j-nums[i]] === 感觉没什么意义~~
零钱兑换II
class Solution:
def change(self, amount: int, coins: List[int]) -> int:
if not amount: ###注意,amount为0的情况下是1,全部选择数为0也是一个选择
return 1
if not coins:
return 0
dp = []
for i in range(1+len(coins)):
dp.append([0]*(amount+1)) # 只要满足了减到0,那么就是1了,在1的基础上,dp[1] = dp[0]
for i in range(1+len(coins)):
dp[i][0] = 1
for i in range(1, len(coins)+1):
for j in range(1, amount+1): # 二维两者可以颠倒,但是一维不行!!
if j - coins[i-1] >= 0:
dp[i][j] = dp[i][j-coins[i-1]] + dp[i-1][j] ## 之所以是dp[i][j-conins[i-1]]是因为第i枚是可以重复使用的。
else:
dp[i][j] = dp[i-1][j]
return dp[-1][-1]
凑零钱问题
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 。
比如说 k = 3,面值分别为 1,2,5,总金额 amount = 11。那么最少需要 3 枚硬币凑出,即 11 = 5 + 5 + 1。
如何列出正确的状态转移方程?
1、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。
2、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。
3、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」。
4、明确 dp 函数/数组的定义。
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。所以我们可以这样定义 dp 函数:dp(n) 的定义:输入一个目标金额 n,返回凑出目标金额 n 的最少硬币数量。
状态转移方程
其实,求价值为n的解相当于求价值为n-coin(某一价值)的解加上1。
所以转移方程就是dp[n] = min(dp[n-coin] + 1)----coin属于所有选择中的某一个。
一个好的地方是往大了 就是刚好amount+1初始化,因为后续运算用的是min。
class Solution:
def coinChange(self, coins: List[int], amount: int) -> int:
n = len(coins)
dp = []
for i in range(n+1):
dp.append([amount+1]*(amount+1))
for i in range(n+1):
dp[i][0] = 0
for i in range(1, n+1):
for j in range(1, amount+1):
if j - coins[i-1] >= 0:
dp[i][j] = min(dp[i][j-coins[i-1]]+1, dp[i-1][j])
else:
dp[i][j] = dp[i-1][j]
if dp[-1][-1] == amount+1:
return -1
return dp[-1][-1]
def coin(coins, n):
dp = [0] * n
dp[0] = 0
res = "-INF"
for i in coins:
res = min(res, dp[n-i]-1)
dp
def coinChange(coins: List[int], amount: int):
def dp(n):
# base case
if n == 0: return 0
if n < 0: return -1
# 求最小值,所以初始化为正无穷
res = float('INF')
for coin in coins:
subproblem = dp(n - coin)
# 子问题无解,跳过
if subproblem == -1: continue
res = min(res, 1 + subproblem)
return res if res != float('INF') else -1
return dp(amount)
64. 最小路径和 ----以及一个列表的坑
给定一个包含非负整数的 m x n 网格 grid ,请找出一条从左上角到右下角的路径,使得路径上的数字总和为最小。
说明:每次只能向下或者向右移动一步。
这里给出自顶向下和自底向上两种,自顶向下较差,这里被一个列表的浅拷贝绊倒了。
复盘:。。。其实很简单~~
class Solution:
def minPathSum(self, grid):
if not grid:
return 0
m = len(grid)
n = len(grid[0])
dp = []
for i in range(m):
dp.append([0]*n)
for i in range(m):
for j in range(n):
if i == 0:
dp[i][j] = dp[i][j-1] + grid[i][j]
elif j == 0:
dp[i][j] = dp[i-1][j] + grid[i][j]
else:
dp[i][j] = min(dp[i-1][j], dp[i][j-1]) + grid[i][j]
return dp[-1][-1]
# 动态规划 -- 自顶向下
class Solution:
def minPathSum(self, grid: List[List[int]]) -> int:
m = len(grid)
n = len(grid[-1])
record = []
# record = [[-1]*n]*m ---- 浅拷贝,每一个的变化会带动一列的变化。---所以会导致清除已变化的失败。
for i in range(m):
record.append([-1]*n)
def dp(i, j):
if record[i][j] != -1:
return record[i][j]
if i == 0 and j == 0:
record[i][j] = grid[0][0]
return record[i][j]
if i == 0:
record[i][j] = dp(i,j-1) + grid[i][j]
return record[i][j]
elif j == 0:
record[i][j] = dp(i-1,j) + grid[i][j]
# ceshi.add((i, j))
return record[i][j]
elif i <= m - 1 and j <= n - 1:
res = dp(i-1,j) + grid[i][j]
record[i][j] = min(dp(i, j-1) + grid[i][j], res)
return record[i][j]
dp(m-1, n-1)
return record[-1][-1]
自底向上
class Solution: # 注意 自底向上,其实底部都已经安排好,不用担心。验证即可。
def minPathSum(self, grid: List[List[int]]) -> int:
m = len(grid)
n = len(grid[0])
record = [[0]*n]*m
for i in range(m):
for j in range(n):
if i == 0 and j == 0 :
record[i][j] = grid[i][j]
elif i == 0:
record[i][j] = record[i][j-1] + grid[i][j]
elif j == 0:
record[i][j] = record[i-1][j] + grid[i][j]
else:
res = record[i-1][j] + grid[i][j]
record[i][j] = min(record[i][j-1] + grid[i][j], res)
return record[-1][-1]