LeetCode算法

动态规划——递归DP算法（Dynamic Programing）

DP算法思想

1. 将待求解的问题分解称若干个子问题，并存储子问题的解而避免计算重复的子问题，并由子问题的解得到原问题的解。
2. 动态规划算法通常用于求解具有某种最有性质的问题。
3. 动态规划算法的基本要素：最优子结构性质和重叠子问题。

• 最优子结构性质：问题的最优解包含着它的子问题的最优解。即不管前面的策略如何，此后的决策必须是基于当前状态（由上一次的决策产生）的最优决策。
• 重叠子问题：在用递归算法自顶向下解问题时，每次产生的子问题并不总是新问题，有些问题被反复计算多次。对每个子问题只解一次，然后将其解保存起来，以后再遇到同样的问题时就可以直接引用，不必重新求解。

DP算法——解决问题的基本特征

（1）动态规划一般求解最值（最优、最大、最小、最长）问题；

（2）动态规划解决 的问题一般是离散的，可以分解的（划分阶段的）。

（3）动态规划结局的问题必须包含最优子结构，即可以有（n-1）的最优推导出n的最优。

DP算法——解决问题的基本步骤

动态规划算法的四个步骤：

1. 刻画最优解的结构特性。（一维、二维、三维数组）；
2. 递归的定义最优解。（状态转移方程）
3. 以自底向上的方法来计算最优解。
4. 从计算得到的解来构造一个最优解。

动态规划——DP算法（Dynamic Programing）

DP算法leetcode例题

递归

递归：“归”的过程是产生答案的过程，“递”的过程是将大问题分解成子问题的过程。

“归”自底向上，“递”自顶向下。

递归搜索树的底就是最小子问题的答案。

BFS广度优先搜索

模板：

BFS 使用队列，把每个还没有搜索到的点依次放入队列，然后再弹出队列的头部元素当做当前遍历点。BFS 总共有两个模板：

如果不需要确定当前遍历到了哪一层，BFS 模板如下。

while queue 不空：
    cur = queue.pop()
    for 节点 in cur的所有相邻节点：
        if 该节点有效且未访问过：
            queue.push(该节点)

如果要确定当前遍历到了哪一层，BFS 模板如下。 这里增加了 level 表示当前遍历到二叉树中的哪一层了，也可以理解为在一个图中，现在已经走了多少步了。size 表示在当前遍历层有多少个元素，也就是队列中的元素数，我们把这些元素一次性遍历完，即把当前层的所有元素都向外走了一步。

level = 0
while queue 不空：
    size = queue.size()
    while (size --) {
        cur = queue.pop()
        for 节点 in cur的所有相邻节点：
            if 该节点有效且未被访问过：
                queue.push(该节点)
    }
    level ++;

回溯

回溯算法精讲

回溯法：一种通过探索所有可能的候选解来找出所有的解的算法。如果候选解被确认不是一个解（或者至少不是最后一个解），回溯算法会通过在上一步进行一些变化抛弃该解，即回溯并且再次尝试。

「回溯算法」与「深度优先遍历」都有「不撞南墙不回头」的意思。「回溯算法」强调了「深度优先遍历」思想的用途，用一个 不断变化 的变量，在尝试各种可能的过程中，搜索需要的结果。强调了 回退 操作对于搜索的合理性。而「深度优先遍历」强调一种遍历的思想，与之对应的遍历思想是「广度优先遍历」。

回溯算法用于 搜索一个问题的所有的解 ，通过深度优先遍历的思想实现。

与动态规划的区别：
共同点：
用于求解多阶段决策问题。多阶段决策问题即：求解一个问题分为很多步骤（阶段）；每一个步骤（阶段）可以有多种选择。
不同点：
动态规划只需要求我们评估最优解是多少，最优解对应的具体解是什么并不要求。因此很适合应用于评估一个方案的效果；回溯算法可以搜索得到所有的方案（当然包括最优解），但是本质上它是一种遍历算法，时间复杂度很高。

少，最优解对应的具体解是什么并不要求。因此很适合应用于评估一个方案的效果；回溯算法可以搜索得到所有的方案（当然包括最优解），但是本质上它是一种遍历算法，时间复杂度很高。

LeetCode全排列