高级动态规划
算法感触
- 人肉递归低效,很累。
- 找到最近最简方法,将其拆解位可重复解决的问题。
- 数学归纳法思维。
动态规划 Dynamic Programming
- Simplifying a complicated problem by breaking it down into simpler sub-problems
- Divide & Conquer + Optimal substructure
- 顺推形式: 动态递推
打家劫舍问题
dp[i] 状态定义: max $ of robbing A[0 -> i]
dp[i] = max(dp[i - 2] + nums[i], dp[i - 1])
dp[i][0] 状态定义: max $ of robbing A[0 -> i] 且没偷 nums[i]
dp[i][1] 状态定义: max $ of robbing A[0 -> i] 且偷了 nums[i]
dp[i][0] = max(dp[i - 1][0], dp[i - 1][1])
dp[i][1] = dp[i - 1][0] + nums[i]
最小路径和
dp[i][j] 状态定义:minPath(A[1 -> i][1 ->j])
dp[i][j] = min(dp[i - 1][j], dp[i][j - 1]) + A[i][j]
股票买卖
dp[i][k][0 or 1] (0 <= i <= n - 1, 1 <= k <= K)
i 为天数
K 为最多交易次数, k为当前交易次数
[0, 1]为是否持有股票
总状态数:n * K * 2种状态
伪代码如下
for 0 <= i < n:
for 1 <= k <= K:
for s in {0, 1}:
dp[i][k][s] = max(buy, sell, rest)
dp[i][k][0] = max(dp[i - 1][k][0], dp[i - 1][k][1] + prices[i])
解释: 今天我没有持有股票,有两种可能
- 我昨天就没有持有股票,然后今天选择rest,所以我今天还是没有持有
- 我昨天持有股票,但是我今天sell了,所以我今天没有持有股票了
dp[i][k][1] = max(dp[i - 1][k][1], dp[i - 1][k][0] - prices[i])
解释:我今天持有股票,有两种可能
- 我昨天就持有股票,然后今天选择rest,所以我今天还持有股票
- 我昨天没有持有,但今天我选择buy,所以今天我就持有股票了
高级DP复杂度来源
- 状态拥有更多的维度,如果当前维度不能解决问题,可以思考增加维度来解决。
- 状态方程更加复杂。
编辑距离
/*给你两个单词 word1 和 word2,请你计算出将 word1 转换成 word2 所使用的最少操作数 。
你可以对一个单词进行如下三种操作:
插入一个字符
删除一个字符
替换一个字符*/
int minDistance(string word1, string word2) {
int m = word1.size();
int n = word2.size();
if(m * n == 0)
return m + n;
vector<vector<int>> dp(m + 1, vector<int>(n + 1, 0));
for(int i = 0; i <= m; i++)
dp[i][0] = i;
for(int j = 0; j <= n; j++)
dp[0][j] = j;
for(int i = 1; i <= m; i++)
{
for(int j = 1; j <= n; j++)
dp[i][j] = min(min(dp[i - 1][j] + 1, dp[i][j - 1] + 1), (word1[i - 1] == word2[j - 1] ? 0 : 1 ) + dp[i - 1][j - 1]);
}
return dp[m][n];
}
最长有效括号
int longestValidParentheses(string s) {
if(s.size() < 2)
return 0;
int n = s.size();
vector<int> dp(n, 0);
int res = 0;
for(int i = 1; i < n; i++)
{
if(s[i] == ')')
{
if(s[i - 1] == '(')
dp[i] = (i > 1 ? dp[i - 2] : 0) + 2;
else if(i - dp[i - 1] > 0 && s[i - dp[i - 1] - 1] == '(')
dp[i] = dp[i - 1] + (i - dp[i - 1] > 1 ? dp[i - dp[i - 1] - 2] : 0) + 2;
res = max(res, dp[i]);
}
}
return res;
}
最长上升子序列
int lengthOfLIS(vector<int>& nums) {
if(nums.size() < 1)
return 0;
int n = nums.size();
vector<int> dp(n + 1, 0);
int len = 1;
dp[len] = nums[0];
for(int i = 1; i < n; i++)
{
if(dp[len] < nums[i])
dp[++len] = nums[i];
else
{
int left = 1, right = len;
while(left <= right)
{
int mid = (left + right) >> 1;
if(dp[mid] < nums[i])
left = mid + 1;
else
right = mid - 1;
}
dp[left] = nums[i];
}
}
return len;
}
通配符匹配
/*给定一个字符串 (s) 和一个字符模式 (p) ,实现一个支持 '?' 和 '*' 的通配符匹配。*/
bool isMatch(string s, string p) {
int m = s.size();
int n = p.size();
vector<vector<int>> dp(m + 1, vector<int>(n + 1, 0));
dp[0][0] = 1;
for(int i = 1; i <= n; ++i)
{
if(p[i - 1] == '*')
dp[0][i] = 1;
else
break;
}
for(int i = 1; i <= m; ++i)
{
for(int j = 1; j <= n; ++j)
{
if(p[j - 1] == '*')
dp[i][j] = dp[i][j - 1] | dp[i - 1][j];
else if(s[i - 1] == p[j - 1] || p[j - 1] == '?')
dp[i][j] = dp[i - 1][j - 1];
}
}
return dp[m][n];
}
字符串算法
字符串操作很常见,在C/C++中string为可变字符串,变化string内字符时候,string变量是不变的,但是Java和Python内字符串是不可变的,如果改变字符串内字符,则生成一个新的字符串变量。
== 最长公共子序列==
int longestCommonSubsequence(string text1, string text2) {
int m = text1.size(), n = text2.size();
vector<vector<int>> dp(m + 1, vector<int>(n + 1 ,0));
for(int i = 1; i <= m; i++)
{
for(int j = 1; j <= n; j++)
{
if(text1[i - 1] == text2[j - 1])
dp[i][j] = dp[i - 1][j - 1] + 1;
else
dp[i][j] = max(dp[i - 1][j], dp[i][j -1]);
}
}
return dp[m][n];
}
最长回文子串
pair<int, int> expandAroundCenter(const string& s, int left, int right) {
while (left >= 0 && right < s.size() && s[left] == s[right]) {
--left;
++right;
}
return {left + 1, right - 1};
}
string longestPalindrome(string s) {
int start = 0, end = 0;
for (int i = 0; i < s.size(); ++i) {
auto [left1, right1] = expandAroundCenter(s, i, i);
auto [left2, right2] = expandAroundCenter(s, i, i + 1);
if (right1 - left1 > end - start) {
start = left1;
end = right1;
}
if (right2 - left2 > end - start) {
start = left2;
end = right2;
}
}
return s.substr(start, end - start + 1);
}
字符串匹配算法
- 暴力法
- Rabin-Karp 算法
- KMP 算法
== 暴力算法==
int forceSearch(string text, string pattern) {
int len_txt = text.length();
int len_pat = pattern.length();
for (int i = 0; i <= len_txt - len_pat; i++) {
int j = 0;
for (j = 0; j < len_pat; j++) {
if (text[i + j] != pattern[j]) break;
}
if (j == len_pat) {
return i;
}
}
return -1;
}
Rabin-Karp 算法
算法思想:
- 假设字串的长度为M(pat),目标字符串的长度为N(txt)
- 计算字串的hash值 hash_pat
- 计算目标字符串txt中每个长度为M的字串的hash值(共需要计算N-M+ 1次)
- 比较hash值:如果hash值不同,字符串必然不匹配,如果hash值相同,还需要使用朴素算法再次进行判断。
const int D = 256;
const int Q = 9997;
int RabinKarpSerach(string txt, string pat) {
int M = pat.length();
int N = txt.length();
int i, j;
int patHash = 0, txtHash = 0;
for (i = 0; i < M; i++) {
patHash = (D * patHash + pat[i]) % Q;
txtHash = (D * txtHash + txt[i]) % Q;
}
int highestPow = 1; // pow(256, M-1)
for (i = 0; i < M - 1; i++)
highestPow = (highestPow * D) % Q;
for (i = 0; i <= N - M; i++) { // 枚举起点
if (patHash == txtHash) {
for (j = 0; j < M; j++) {
if (txt[i + j] != pat[j])
break;
}
if (j == M)
return i;
}
if (i < N - M) {
txtHash = (D * (txtHash - txt[i] * highestPow) + txt[i + M]) % Q;
if (txtHash < 0)
txtHash += Q;
}
}
return -1;
}
KMP
KMP算法(Knuth-Morris-Pratt)的思想就是,当字串与目标字符串不匹配时,其实你已经知道了前面已经匹配成功的那一部分的字符(包括字串与目标字符串)。以大佬的博客内容 字符串匹配的KMP算法为例, 当空格与D不匹配时,你其实知道前面六个字符是"ABCDAB"。KMP算法的思想是,设法利用这个已知信息,不要把“搜索位置”移回到已经比较过的位置,继续把它向后移,这样就提高了效率。
KMP字符串匹配算法视频