代码随想录DAY38 | 动态规划——509、70、746

目录

理论基础：

509. 斐波那契数

#递归解法

70. 爬楼梯

分析：

扩展：

746. 使用最小花费爬楼梯

分析：

代码：

---

理论基础：

1. 与贪心算法的区别：

动态规划中每一个状态一定是由上一个状态推导出来的，这一点就区分于贪心，贪心没有状态推导，而是从局部直接选最优的

贪心算法和上一个状态没有区别。

2. 动态规划五部曲

1. 确定dp数组（dp table）以及下标的含义
2. 确定递推公式
3. dp数组如何初始化
4. 确定遍历顺序
5. 举例推导dp数组

做动规的题目，写代码之前一定要把状态转移在dp数组的上具体情况模拟一遍，心中有数，确定最后推出的是想要的结果。

然后再写代码，如果代码没通过就打印dp数组，看看是不是和自己预先推导的哪里不一样。

如果打印出来和自己预先模拟推导是一样的，那么就是自己的递归公式、初始化或者遍历顺序有问题了。

如果和自己预先模拟推导的不一样，那么就是代码实现细节有问题。

这样才是一个完整的思考过程，而不是一旦代码出问题，就毫无头绪的东改改西改改，最后过不了，或者说是稀里糊涂的过了。

发出这样的问题之前，其实可以自己先思考这三个问题：

• 这道题目我举例推导状态转移公式了么？
• 我打印dp数组的日志了么？
• 打印出来了dp数组和我想的一样么？

如果这灵魂三问自己都做到了，基本上这道题目也就解决了，或者更清晰的知道自己究竟是哪一点不明白，是状态转移不明白，还是实现代码不知道该怎么写，还是不理解遍历dp数组的顺序。

509. 斐波那契数

1. 确定dp数组（dp table）以及下标的含义:  第 i 个数 的斐波那契数值是 dp[i] 
2. 确定递推公式：题目中已经给出来，状态转移方程 dp[i] = dp[i - 1] + dp[i - 2];
3. dp数组如何初始化：dp[0] = 0;    dp[1] = 1; ​​​​​​​
4. 确定遍历顺序 ：从递归公式dp[i] = dp[i - 1] + dp[i - 2];中可以看出，dp[i]是依赖 dp[i - 1] 和 dp[i - 2]，那么遍历的顺序一定是从前到后遍历的
5. 举例推导dp数组 ：N=10  斐波那契数组：0 1  1   2   3   5  8  13  21   34  55

代码一：

dp数组的定义：vector<int> dp(n,0); ——自己写的，数量出错 ，应该是 n+1

• 时间复杂度：O(n)
• 空间复杂度：O(n)

代码二：不使用vector，而是每次for循环时改变 dp[0]  dp[1] ,也就是将其视为dp[n-2] dp[n-1]

• 时间复杂度：O(n)
• 空间复杂度：O(1)

#递归解法

代码三： 递归法

class Solution{
public:
    int flib(int n){
        if(n<2) return n;
        return fib(n-1) + fib(n-2);
    }
};

• 时间复杂度：O(2^n)
• 空间复杂度：O(n)，算上了编程语言中实现递归的系统栈所占空间

70. 爬楼梯

分析：

1. 确定dp数组（dp table）以及下标的含义 :   dp[i]： 爬到第i层楼梯，有dp[i]种方法—— 那可以不可以认为问题的需要的答案就是 dp的含义
2. 确定递推公式： 

   如果可以推出dp[i]呢？

   从dp[i]的定义可以看出，dp[i] 可以有两个方向推出来。

   首先是dp[i - 1]，上i-1层楼梯，有dp[i - 1]种方法，那么再一步跳一个台阶不就是dp[i]了么。

   还有就是dp[i - 2]，上i-2层楼梯，有dp[i - 2]种方法，那么再一步跳两个台阶不就是dp[i]了么。

   那么dp[i]就是 dp[i - 1]与dp[i - 2]之和！

   所以dp[i] = dp[i - 1] + dp[i - 2] 。

   在推导dp[i]的时候，一定要时刻想着dp[i]的定义，否则容易跑偏。

   这体现出确定dp数组以及下标的含义的重要性！

3. dp数组如何初始化 ：  

   在回顾一下dp[i]的定义：爬到第i层楼梯，有dp[i]中方法。

   那么i为0，dp[i]应该是多少呢，这个可以有很多解释，但都基本是直接奔着答案去解释的。

   例如强行安慰自己爬到第0层，也有一种方法，什么都不做也就是一种方法即：dp[0] = 1，相当于直接站在楼顶。

   但总有点牵强的成分。

   那还这么理解呢：我就认为跑到第0层，方法就是0啊，一步只能走一个台阶或者两个台阶，然而楼层是0，直接站楼顶上了，就是不用方法，dp[0]就应该是0.

   其实这么争论下去没有意义，大部分解释说dp[0]应该为1的理由其实是因为dp[0]=1的话在递推的过程中i从2开始遍历本题就能过，然后就往结果上靠去解释dp[0] = 1。

   从dp数组定义的角度上来说，dp[0] = 0 也能说得通。

   需要注意的是：题目中说了n是一个正整数，题目根本就没说n有为0的情况。

   所以本题其实就不应该讨论dp[0]的初始化！

   我相信dp[1] = 1，dp[2] = 2，这个初始化大家应该都没有争议的。

   所以我的原则是：不考虑dp[0]如果初始化，只初始化dp[1] = 1，dp[2] = 2，然后从i = 3开始递推，这样才符合dp[i]的定义。

4. 确定遍历顺序 ： 遍历顺序一定是从前向后遍历的
5. 举例推导dp数组：

扩展：

如果一步一个台阶，两个台阶，三个台阶，直到 m个台阶，有多少种方法爬到n阶楼顶：

多了一个 j 无法理解

746. 使用最小花费爬楼梯

分析：

这道题目和上面两道的区别在于，可选择性的上楼梯，那如何体现可选择性，是不是需要遍历出所有情况，还是在每种情况下选择最小的，这种情况就相当于是贪心算法，并不正确

没有考虑的 cost 数组 的作用

1. 确定dp数组（dp table）以及下标的含义 ： dp[ i ] 到达 i 层楼梯，最少的费用。
2. 确定递推公式  ： 

   可以有两个途径得到dp[i]，一个是dp[i-1] 一个是dp[i-2]。

   dp[i - 1] 跳到 dp[i] 需要花费 dp[i - 1] + cost[i - 1]。

   dp[i - 2] 跳到 dp[i] 需要花费 dp[i - 2] + cost[i - 2]。

   那么究竟是选从dp[i - 1]跳还是从dp[i - 2]跳呢？

   一定是选最小的，所以dp[i] = min(dp[i - 1] + cost[i - 1], dp[i - 2] + cost[i - 2]);

3. dp数组如何初始化：

    “你可以选择从下标为 0 或下标为 1 的台阶开始爬楼梯。” 也就是说 从 到达 第 0 个台阶是不花费的，但从 第0 个台阶 往上跳的话，需要花费 cost[0]。

   所以初始化 dp[0] = 0，dp[1] = 0;

4. 确定遍历顺序 ： 因为是模拟台阶，而且dp[i]由dp[i-1]dp[i-2]推出，所以是从前到后遍历cost数组就可以了。
5. 举例推导dp数组

代码中需不需要数组，当需要优化空间复杂度的时候，就可以不用 dp 数组

（我现在脑子有点纠结 两个for循环的情况，但是先搞清楚一个 for循环的情况）

代码：