代码随想录系列文章目录
动态规划篇
343.整数拆分
题目链接
这道题我时隔一个月之后就写不出来,所以值得好好总结一下
1.状态定义
dp[i]定义为拆分i能获得的最大乘积
2.状态转移
dp[i]是怎么转移过来呢?
拆分成 两个数相乘,拆分成三个, 四个 … 多个
想到这就应该反应过来,遍历的时候肯定需要另一个变量j,去控制拆分
其实可以从1遍历j,然后有两种渠道得到dp[i].
一个是j * (i - j) 直接相乘。
一个是j * dp[i - j],相当于是拆分(i - j),对这个拆分不理解的话,可以回想dp数组的定义
那么j到哪结束呢?到 i-1么?举个例子吧,当i == 5的时候,拆分变量j从 1开始
i = 5
j = 1, 2 , 3, 4
i-j = 4, 3, 2, 1
我们是要拆分 i-j的 ,最后没必要计算dp[1], 不过计算了也没毛病,所以j可以是1到i-2, 也可以直接到i-1都可以
那么在取最大值的时候,为什么还要比较dp[i]呢?
因为在递推公式推导的过程中,每次计算dp[i],取最大的而已。
一定要把 dp[i]加入比较
所以状态转移
dp[i] = max(dp[i], j*(i-j), j*dp[i-j])
base case
dp[0] dp[1]都无异议,我们应该从dp[2]开始初始化 dp[2] = 1
遍历方向和最后的解的位置
遍历方向就直接从左到右, 最后解的位置在dp[n], 因为肯定越大的数,拆分之后再乘起来会更大
class Solution:
def integerBreak(self, n: int) -> int:
dp = [0] * (n+1)
dp[2] = 1
for i in range(3,n+1):
for j in range(1,i):
dp[i] = max(dp[i], j*(i-j), j*dp[i-j])
return dp[n]
96.不同的二叉搜索树
找规律
首先复习一下二叉搜索树,如果不空 左子树都小于根,右子树都大于根
n为1的时候有一棵树,n为2有两棵树,这个是很直观的。
n为3的时候,有哪几种情况。
当1为头结点的时候,其右子树有两个节点,看这两个节点的布局,是不是和 n 为2的时候两棵树的布局是一样的啊!
当3为头结点的时候,其左子树有两个节点,看这两个节点的布局,是不是和n为2的时候两棵树的布局也是一样的啊!
当2为头结点的时候,其左右子树都只有一个节点,布局是不是和n为1的时候只有一棵树的布局也是一样的啊!
发现到这里,其实我们就找到了重叠子问题了,其实也就是发现可以通过dp[1] 和 dp[2] 来推导出来dp[3]的某种方式。
dp[3],就是 元素1为头结点搜索树的数量 + 元素2为头结点搜索树的数量 + 元素3为头结点搜索树的数量
元素1为头结点搜索树的数量 = 右子树有2个元素的搜索树数量 * 左子树有0个元素的搜索树数量
元素2为头结点搜索树的数量 = 右子树有1个元素的搜索树数量 * 左子树有1个元素的搜索树数量
元素3为头结点搜索树的数量 = 右子树有0个元素的搜索树数量 * 左子树有2个元素的搜索树数量
有2个元素的搜索树数量就是dp[2]。
有1个元素的搜索树数量就是dp[1]。
有0个元素的搜索树数量就是dp[0]。
所以dp[3] = dp[2] * dp[0] + dp[1] * dp[1] + dp[0] * dp[2]
此时就找出规律了
状态定义
在上面推导规律的时候我们就能感受到
dp[i] 是 1到i为节点组成的二叉搜索树的个数为dp[i]
状态转移
在上面的分析中,其实已经看出其递推关系,
dp[i] += dp[以j为头结点左子树节点数量] * dp[以j为头结点右子树节点数量]
j相当于是头结点的元素,从1遍历到i为止。
所以递推公式:dp[i] += dp[j - 1] * dp[i - j]; ,j-1 为j为头结点左子树节点数量,i-j 为以j为头结点右子树节点数量
base case
dp[0] = 0 空节点也是一种情况
class Solution:
def numTrees(self, n: int) -> int:
dp = [0] * (n+1)
dp[0] = 1
for i in range(1,n+1):
for j in range(1,i+1):
dp[i] += dp[j-1] * dp[i-j]
return dp[n]