动态规划总结

最新推荐文章于 2023-08-21 14:59:51 发布

Edison在努力

最新推荐文章于 2023-08-21 14:59:51 发布

阅读量178

点赞数

分类专栏：刷题总结文章标签： c++ leetcode 算法

本文链接：https://blog.csdn.net/ericma12/article/details/126289094

版权

刷题总结专栏收录该内容

11 篇文章 0 订阅

订阅专栏

动态规划刷题总结

个人心得

问题本质

动态规划名字看起来高大上，感觉是种很复杂的算法，令人“望文生畏”，其实一句话概括，就是 数学归纳法 。动态规划问题的每一个状态是由上一个状态通过 状态转移方程 推导得出（对于存在很多状态的问题，需要画状态图辅助推导出正确的状态转移方程，类似《编译原理》的自动状态机）。动态规划是一种 “聪明的穷举” ，所谓具备 “最优子结构” 和存在 “重叠子问题” 。本质上来说，动态规划是通过引入dp数组这种 “空间换时间” 的方法来降低暴力算法的时间复杂度。

解题步骤

参考Carl的方法，牢牢把握“五部曲”：

确定dp数组以及下标的含义
确定递推公式
dp数组如何初始化
确定遍历顺序
举例推导dp数组

解释说明：

根据题目选择二维数组还是滚动数组（一维），状态数决定二维dp数组的列数
2先于3是因为不同的状态转移方程需要不同的初始化方法
深刻理解1，才能初始化好3
遍历顺序主要集中于背包问题：用滚动数组解决01背包时，注意先物品再背包且背包倒序遍历（防止重复）。完全背包正序、倒序均可，若求排列问题只能先遍历背包，若求组合问题只能先遍历物品
如果存在错误，打印dp数组日志来验证每一步过程，下附“灵魂三问”，解决好这三个问题debug将不再困难：
- 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？

一、基础题目（就不贴外链了）

509.斐波那契数

70.爬楼梯

746.使用最小花费爬楼梯

62.不同路径

62.不同路径II

343.整数拆分（注意理解）

96.不同的二叉搜索树（注意理解）

二、背包问题（难点是遍历顺序，其次是递推公式）

引用自：代码随想录-背包总结篇

递推公式

问能否能装满背包（或者最多装多少）：dp[j] = max(dp[j], dp[j - nums[i]] + nums[i]); ，对应题目如下：

问装满背包有几种方法：dp[j] += dp[j - nums[i]] ，对应题目如下：

问背包装满最大价值：dp[j] = max(dp[j], dp[j - weight[i]] + value[i]); ，对应题目如下：

动态规划：474.一和零

问装满背包所有物品的最小个数：dp[j] = min(dp[j - coins[i]] + 1, dp[j]); ，对应题目如下：

遍历顺序

01背包

二维dp数组01背包先遍历物品还是先遍历背包都是可以的，且第二层for循环是从小到大遍历

一维dp数组01背包只能先遍历物品再遍历背包容量，且第二层for循环是从大到小遍历，防止重复！

完全背包

纯完全背包的一维dp数组实现，先遍历物品还是先遍历背包都是可以的，且第二层for循环是从小到大遍历

如果求组合数就是外层for循环遍历物品，内层for遍历背包。

如果求排列数就是外层for遍历背包，内层for循环遍历物品。

三、打家劫舍

198. 打家劫舍，从一维数组上打劫

213. 打家劫舍 II ，从环形一维数组上打劫

337. 打家劫舍 III ，从树的根节点上打劫

四、买卖股票

根据题目中所包含的状态数确定二维dp数组的列数，如309.，包含了4种状态和7种转移方程，因此二维dp数组有4列

五、子序列

引用自：代码随想录-动态规划总结篇

子序列（不连续）

300. 最长递增子序列，基于数组
1143. 最长公共子序列，基于字符串
1035. 不相交的线，看似是给两个数组连线，本质上与1143题别无二致

子序列（连续）

674. 最长连续递增序列，基于数组
718. 最长重复子数组，返回两个数组中公共的、长度最长的子数组的长度
53. 最大子数组和，求连续子数组最大和

编辑距离（由三道基础题目引出）

这里贴一个2022建行Fintech大赛第二道编程题：

// 文本相似度 = 1 - 最小编辑距离 / 最长的字符串长度
// 每次插入、删除、增加操作使得最小编辑距离 + 1
// 输出保留两位小数
#include<bits/stdc++.h>
using namespace std;

int editDistance(string s1, string s2) {
    int len1 = s1.size(), len2 = s2.size();
    vector<vector<int>> dp(len1 + 1, vector<int>(len2 + 1, 0));
    for (int i = 1; i <= len1; i++) {
        dp[i][0] = i;
    }
    for (int j = 1; j <= len2; j++) {
        dp[0][j] = j;
    }
    for (int i = 1; i <= len1; i++) {
        for (int j = 1; j <= len2; j++) {
            if (s1[i - 1] == s2[j - 1])
                dp[i][j] = dp[i - 1][j - 1];
            else
                dp[i][j] = min(dp[i - 1][j] + 1, min(dp[i][j - 1] + 1, dp[i - 1][j - 1] + 1));
        }
    }
    return dp[len1 - 1][len2 - 1];
}

int main(){
    string s1 = "abcde", s2 = "ace";  
    int maxLen = max(s1.size(), s2.size());
    // 两数相除，只有分子本身是double结果才能显示小数，否则强制转换都没用
    double similarity = 1 - (double)editDistance(s1, s2) / maxLen;
    // 使用fixed（不用则只保留有效数字）配合setprecision(2)来确保cout输出保留两位小数
    cout << fixed << setprecision(2) <<similarity << endl;
    return 0;
}