剑指offer-动态规划

剑指 Offer 10- I. 斐波那契数列

写一个函数，输入 n ，求斐波那契（Fibonacci）数列的第 n 项（即 F(N)）。斐波那契数列的定义如下：

F(0) = 0,   F(1) = 1
F(N) = F(N - 1) + F(N - 2), 其中 N > 1.

斐波那契数列由 0 和 1 开始，之后的斐波那契数就是由之前的两数相加而得出。

答案需要取模 1e9+7（1000000007），如计算初始结果为：1000000008，请返回 1。

示例 1：

输入：n = 2
输出：1

示例 2：

输入：n = 5
输出：5

解题思路：

斐波那契数列的定义是 f(n + 1) = f(n) + f(n - 1)，生成第 n 项的做法有以下几种：

递归法：

• 原理： 把 f(n) 问题的计算拆分成 f(n-1) 和 f(n-2) 两个子问题的计算，并递归，以 f(0) 和 f(1) 为终止条件。

• 缺点： 大量重复的递归计算，例如 f(n) 和 f(n - 1)两者向下递归需要 各自计算 f(n - 2)的值。

记忆化递归法：

• 原理： 在递归法的基础上，新建一个长度为 n 的数组，用于在递归时存储 f(0) 至 f(n)的数字值，重复遇到某数字则直接从数组取用，避免了重复的递归计算。
• 缺点： 记忆化存储需要使用 O(N) 的额外空间。

动态规划：

• 原理： 以斐波那契数列性质 f(n + 1) = f(n) + f(n - 1) 为转移方程。
• 从计算效率、空间复杂度上看，动态规划是本题的最佳解法。

动态规划解析：
状态定义： 设 dp 为一维数组，其中 dp[i]的值代表 斐波那契数列第 i 个数字 。
转移方程：
$$dp[i+1]=dp[i]+dp[i-1]$$
，即对应数列定义 f(n + 1) = f(n) + f(n - 1)；
初始状态： dp[0] = 0, dp[1] = 1 ，即初始化前两个数字；
返回值： dp[n] ，即斐波那契数列的第 个数字。
空间复杂度优化：
若新建长度为 n 的 dp 列表，则空间复杂度为 O(N) 。

由于 dp 列表第 i 项只与第 i-1 和第 i-2 项有关，因此只需要初始化三个整形变量 sum, a, b ，利用辅助变量 sum 使 a, b 两数字交替前进即可 （具体实现见代码） 。
节省了 dp 列表空间，因此空间复杂度降至 O(1) 。
循环求余法：
大数越界： 随着 n 增大, f(n)会超过 Int32 甚至 Int64 的取值范围，导致最终的返回值错误。

求余运算规则： 设正整数 x, y, p ，求余符号为 ⊙ ，则有
$$(x+y)\odot p=(x\odot p+y\odot p)\odot p$$
解析： 根据以上规则，可推出
$$f(n)\odot p=[f(n-1)\odot p+f(n-2)\odot p]\odot pf(n)\odot p$$
，从而可以在循环过程中每次计算
$$sum=(a+b)\odot 1000000007$$
此操作与最终返回前取余等价。

由于 Python 中整形数字的大小限制 取决计算机的内存 （可理解为无限大），因此可不考虑大数越界问题。

class Solution:
    def fib(self, n:int) ->int:
		a, b = 0, 1 
        for _ in range(n):
            a, b = b, a + b
        return a % 1000000007

剑指 Offer 10- II. 青蛙跳台阶问题

一只青蛙一次可以跳上1级台阶，也可以跳上2级台阶。求该青蛙跳上一个 n 级的台阶总共有多少种跳法。

答案需要取模 1e9+7（1000000007），如计算初始结果为：1000000008，请返回 1。

示例 1：

输入：n = 2
输出：2

示例 2：

输入：n = 7
输出：21

示例 3：

输入：n = 0
输出：1

这题与剑指 Offer 10- I. 斐波那契数列等价，唯一不同的是起始位置不同。

class Solution:
    def numpy(self, n:int) -> int:
        for _ in range(n):
			a, b = b, a + b 
            return a % 1000000007

剑指 Offer 63. 股票的最大利润

假设把某股票的价格按照时间先后顺序存储在数组中，请问买卖该股票一次可能获得的最大利润是多少？

示例 1:

输入: [7,1,5,3,6,4]
输出: 5
解释: 在第 2 天（股票价格 = 1）的时候买入，在第 5 天（股票价格 = 6）的时候卖出，最大利润 = 6-1 = 5 。
     注意利润不能是 7-1 = 6, 因为卖出价格需要大于买入价格。

示例 2:

输入: [7,6,4,3,1]
输出: 0
解释: 在这种情况下, 没有交易完成, 所以最大利润为 0。

解题思路：
设共有 n 天，第 a 天买，第 b 天卖，则需保证 a < b ；可推出交易方案数共有：
$$(n-1)+(n-2)+\cdots +2+1=n(n-1)/2$$
因此，暴力法的时间复杂度为 O(n^2) 。考虑使用动态规划降低时间复杂度，以下按照流程解题。
动态规划解析：
状态定义： 设动态规划列表 dp ，dp[i] 代表以 prices[i]为结尾的子数组的最大利润（以下简称为 前 i 日的最大利润 ）。
转移方程： 由于题目限定 “买卖该股票一次” ，因此前 i 日最大利润 dp[i] 等于前 i - 1 日最大利润 dp[i-1] 和第 i 日卖出的最大利润中的最大值。
$$前i日最大利润=\max (前(i-1)日最大利润,第i日价格-前i日最低价格)$$

$$dp[i]=\max (dp[i-1],prices[i]-\min (prices[0:i]))$$

初始状态： dp[0] = 0 ，即首日利润为 0 ；
返回值： dp[n - 1] ，其中 n 为 dp 列表长度。

效率优化：
时间复杂度降低： 前 i 日的最低价格 \min(prices[0:i]) 时间复杂度为 O(i) 。而在遍历 prices 时，可以借助一个变量（记为成本 cost ）每日更新最低价格。优化后的转移方程为：
$$dp[i]=\max (dp[i-1],prices[i]-\min (cost,prices[i])$$
空间复杂度降低： 由于 dp[i] 只与 dp[i - 1] , prices[i] , cost 相关，因此可使用一个变量（记为利润 profit）代替 dp 列表。优化后的转移方程为：
$$profit=\max (profit,prices[i]-\min (cost,prices[i])$$

class Solution:
    def maxProfit(self, prices:List[int]) -> int:
        cost, profit = float("+inf"), 0
        for price in prices:
            cost = min(cost, price)
            profit = max(profit, price - cost)
        return profit

复杂度分析：
时间复杂度 O(N) ： 其中 N 为 prices 列表长度，动态规划需遍历 prices 。
空间复杂度 O(1) ： 变量 cost 和 profit 使用常数大小的额外空间。