概述:
动态规划是一种解决多阶段决策问题的优化方法。它通过将问题分解为多个子问题,并且通过解决子问题得到最优解。动态规划的核心思想是利用子问题的最优解来构建原问题的最优解。
注意事项:
1. 递归求解中会重复计算子问题,我们要利用历史记录来避免。通常使用一维或二维数组来保存。
2. 空间复杂度:O(mn),即为存储所有状态需要的空间。有时关系只存在于相邻行,因此我们可以使用滚动数组代替代码中的二维数组,使空间复杂度降低为 O(n)。此外,由于我们交换行列的值并不会对答案产生影响,因此总可以通过交换 m 和 n ,这样空间复杂度降低至 O(min(m,n))
动态规划的步骤:
1. 定义数组的元素,知道dp[m][n]代表什么
注意:我们会找最基础的作为子问题,而不是去思考各种复杂情况(见例题第一个)
2. 找出数组元素之间的关系式
3. 找出初始值
4. 给数组循环赋值
例题
这题我们的子问题是第i天,两种情况,值为最大利润。重要的是把每一种情况都分清楚
定义状态 dp[i][0]\textit{dp}[i][0]dp[i][0] 表示第 iii 天交易完后手里没有股票的最大利润,
dp[i][1]\textit{dp}[i][1]dp[i][1] 表示第 iii 天交易完后手里持有一支股票的最大利润
//未使用历史记录,简单的递归,会造成重复计算从而超时
class Solution {
public:
int uniquePaths(int m, int n) {
return Paths(m, n);
}
int Paths(int m, int n) {
if (m == 1||n==1) {
return 1;
}
else {
return Paths(m - 1, n) + Paths(m, n - 1);
}
}
};
class Solution {
public:
int uniquePaths(int m, int n) {
vector<vector<int>> f(m, vector<int>(n));
for (int i = 0; i < m; ++i) {
f[i][0] = 1;
}
for (int j = 0; j < n; ++j) {
f[0][j] = 1;
}
for (int i = 1; i < m; ++i) {
for (int j = 1; j < n; ++j) {
f[i][j] = f[i - 1][j] + f[i][j - 1];
}
}
return f[m - 1][n - 1];
}
};