代码的尽头是算法,😄所以对于算法这门教学讲解任重道远,铁子们撸起袖子~
所谓动态规划(dynamic programming)是运筹学的一个分支,是求解决策过程(decision process)最优化的数学方法。动态规划一般可分为四类:线性动规,区域动规,树形动规,背包动规。
- 线性动规:拦截导弹,合唱队形,挖地雷,建学校,剑客决斗等;
- 区域动规:石子合并,加分二叉树,统计单词个数,炮兵布阵等;
- 树形动规:贪吃的九头龙,二分查找书,聚会的欢乐,数字三角形等;
- 背包问题:01背包问题,完全背包问题,分组背包问题,二维背包,装箱问题,挤牛奶等;
应用实例:最短路径问题,项目管理,网络流优化等。
一、动态规划,经典算法题:斐波那契队数
第一种.动态规划解题
const fib = (n) =>{
if(n<=1) return n
const dp = [1,2]
for(let i=2;i<=n;i++){
dp[i] =dp[i-1]+dp[i-2]
}
return dp[n]
}
第二种.优化动态规划解题
这里主要是优化存储空间,将数组修改为变量
const fib =(n)=>{
if(n<=1) return n
let pre = 0
let cur =1
for(var i =2;i<=n;i++){
let tem = cur+pre
cur = tem
pre = cur
}
return cur
}
二、不同路径
一个机器人位于一个 m x n
网格的左上角 (起始点在下图中标记为 “Start” )。
机器人每次只能向下或者向右移动一步。机器人试图达到网格的右下角(在下图中标记为 “Finish” )。
问总共有多少条不同的路径?
示例 1:
输入:m = 3, n = 7 输出:28
示例 2:
输入:m = 3, n = 2 输出:3 解释: 从左上角开始,总共有 3 条路径可以到达右下角。 1. 向右 -> 向下 -> 向下 2. 向下 -> 向下 -> 向右 3. 向下 -> 向右 -> 向下
示例 3:
输入:m = 7, n = 3 输出:28
对于这一题我们需要推导出计算公式,
- 1.建立模型,二维数组(一维数组)
- 2.首先从数量少的找规律
- 3.在此基础上找出已知的状态
推导出公式和常量如下:
dp[i][j] = dp[i-1][j]+dp[i][j-1]
dp[0][1] dp[0][2] ... dp[0][j] = 1
dp[1][0] dp[2][0] ... dp[i][0] = 1
接下来就去循环遍历二维数组中的每一个值,二维数组最后那个值即为答案
var uniquePaths = function(m, n) {
var dp = Array(m).fill().map(()=>Array(n).fill(0))
for(var i=0;i<m;i++){
dp[i][0]= 1
}
for(var i=0;i<n;i++){
dp[0][i] = 1
}
for(var i=1;i<m;i++){
for(var j=1;j<n;j++){
dp[i][j] = dp[i-1][j]+dp[i][j-1]
}
}
return dp[m-1][n-1]
};
我们接着看最开始那张图,这里的二维数组空间是否还可以有优化:
这里一维数组,即是一行一行的遍历,发现规律即当前值等于它前一个值加上自己
dp[j] = dp[j-1]+dp[j] 代码如下:
var function rous = (m,n)=>{
let dp = Array(n).fill(1)
for(var i=0;i<m;i++){
for(var j=0;j<m;j++){
dp[j] = dp[j-1]+dp[j]
}
}
return dp[n-1]
}