Leetcode刷题Task02:动态规划算法(C++)

一、概念

百度百科中DP算法的概念为:

动态规划(Dynamic Programming,DP)是运筹学的一个分支,是求解决策过程最优化的过程。20世纪50年代初,美国数学家贝尔曼(R.Bellman)等人在研究多阶段决策过程的优化问题时,提出了著名的最优化原理,从而创立了动态规划。动态规划的应用极其广泛,包括工程技术、经济、工业生产、军事以及自动化控制等领域,并在背包问题、生产经营问题、资金管理问题、资源分配问题、最短路径问题和复杂系统可靠性问题等中取得了显著的效果

二、思想或策略

DP通常用来求解最优化问题,对于原问题,和分治算法一样,同样是把原问题分解为子问题,子问题与原问题有相同的形式或类似,而且子问题通常有最优解。我们把子问题对应各参数组合构成一个状态,那么每个子问题的解对应一个状态,通过转移状态的方式,我们只需要依次求出子问题状态最优解,并保存,通过转移状态从而得到原问题的解!

【注】这里和分治法的思想做下对比,DP和分治的相同之处是都将原问题分解为若干子问题,先求解子问题的解然后逐步得到原问题的解;不同的是分治法所分解的子问题相互独立,原问题的解是由子问题合并得到的,而动态规划分解的子问题往往相互关联,原问题的解由子问题解的转移得到

三、步骤

DP编程实现的步骤:
1、确定原问题与子问题
  一般来说原问题是整个状态的最优解,那子问题就是原问题的一个最优子结构。
2、确定状态:
  就是确定某一个最优子结构对应的参数(这个参数根据题目有多有少),通常用一维数组或二维数组表示某一状态,也不乏有更难的状态,如多维数组等。
3、确定边界状态值
4、确定状态转移方程
  通常写法为:dp[i]=trans_proc(dp[0],dp[1],…,dp[i-1]),如斐波那契数列的转移方程为dp[i]=dp[i-1]+dp[i-2] (i>3)
5、确定输出
  有时需要的不一定是最后一个状态,根据情况判断。

【注】DP的关键步骤是确定状态转移方程,未优化的状态转移方程可以在代码中直接表示;根据状态转移过程状态的使用情况,可以优化方程,降低空间复杂度,但是会降低可读性。

四、DP适用的情况

原问题通常具有以下三个特征:
(1)最优化原理:题目要求某一个问题的最优解,并且该问题分解产生的子问题同样具有最优解,即含有最优子结构;
(2)状态相关性:某一状态只与该状态取值有关,而不会受后续状态改变的影响;
(3)重叠子问题:子问题不独立,在状态转移过程中之前子问题的解会在后续状态求解过程中用到。

五、C++实现DP的一般模板

//以二维DP数组为例
#define 返回类型 T
T dynamic_program(problem){
	vector<vector<T>> dp(m,vector<T>(n));  //定义dp数组
	
	dp[0][0]=xxx; //确定 单个 边界值
	for(int i=0;i<dp.size();i++){  //用for循环确定多个边界值
		dp[i][0]=...; //第一列
	}
	for(int j=0;j<dp[0].size();j++){
		dp[0][j]=...; //第一行
	}
	.....

	dp[i][j]=Trans_proc(dp[0][0],dp[0][1],...,dp[i-1][j],dp[i][j-1])  //状态转移方程编程实现

	return dp[0][0]  ||  dp[dp.size()][dp[0].size()];  //从前到后 通常返回最后一个状态;从后到前返回第一个状态
}

六、C++实现LeetCode动态规划相关例题

6.1 Leetcode5–最长回文子串

  • 题目描述
    给定一个字符串 s,找到 s 中最长的回文子串。你可以假设 s 的最大长度为 1000。

示例 1:

输入: “babad”
输出: “bab”
注意: “aba” 也是一个有效答案。

示例 2:

输入: “cbbd”
输出: “bb”

  • 解题思路
    1、确定原问题与子问题
       原问题是求解字符串s的最长回文子串,那么子问题是求解字符串从i到j(i,j)的最长回文子串。
    2、确定状态
       由于结果需要返回子串,而不是长度,所以需要用两个指针记录子串起始点位置和终止点位置,用i和j表示,因为i、j都需要遍历字符串s,所以需要使用二维数组表示,定义状态dp[i][j] 表示子串s从i到j是否为回文子串
    3、确定边界条件
       二维数组的初始值都置为False,由于数组对角线表示单个字符,一定是回文子串,需要初始化为True
    4、确定状态转移方程
    记录j-i的状态,有三种情况:
      (1)j-i == 0:表示i、j指向同一位置,子串长度为1,一定是回文
      (2)j-i ==1:表示i、j相邻,子串长度为2,只需判断s[i]是否等于s[j]即可
      (3)j-i>1:表示长字符串,那么s[i][j]=s[i]==s[j]&&dp[i+1][j-1],即需要首尾字符相等而且(i+1,j-1)同时为回文时才会得到(i,j)是回文子串;

  • C++代码实现
    根据遍历子串的方式不同,可以有两种写法,本质是一样的
    方法一:从前到后双指针顺序遍历

class Solution {
public:
    string longestPalindrome(string s) {
        if(s.length()<2)
            return s;
            
        int len=s.length();
        string ans;
        vector<vector<int>> dp(len,vector<int>(len)); //定义dp 数组
        
        for(int i=0;i<len;i++){ //确定边界:对角线置为1
            dp[i][i]=1;  
        }
        for(int j=1;j<len;j++){
            for(int i=0;i<=j;i++){  //i、j遍历s字符串
                if(j-i == 0){
                    dp[i][j]=1;
                }else if(j-i == 1){
                    dp[i][j]=s[i]==s[j];
                }
                else{
                    dp[i][j]=(s[i]==s[j])&&(dp[i+1][j-1]);  //状态转移方程
                }

                if(dp[i][j] && (j-i+1)>ans.size()){  //记录最长子串
                    ans=s.substr(i,j-i+1);
                }
            }    
        }
        return ans;
    }
};

写法二:根据子串长度遍历,如遍历完所有子串长度为2的子串,再遍历所有子串长度为3的子串,以此类推。

class Solution {
public:
    string longestPalindrome(string s) {
        int len=s.length();
        vector<vector<int>> dp(len,vector<int>(len)); //定义一个dp数组
        string ans;

        for(int k=0;k<len;k++){ 
            for(int i=0;i+k<len;i++){
                int j=i+k;  //每次循环k个长度的距离,得到一个子问题的解
                if(k ==0){
                    dp[i][j]=1;
                }                  
                else if(k==1){
                    dp[i][j]=s[i]==s[j];
                }   
                else{
                    dp[i][j]=(dp[i+1][j-1]&&(s[i]==s[j]));
                }

                if(dp[i][j] && (j-i+1)>ans.size()){
                    ans=s.substr(i,j-i+1);
                }
            }
        }
        return ans;
    }
};

6.2 Leetcode72–编辑距离

待续

七、总结

   DP通常用来求解最优化问题,或者有最优子结构的问题,她的关键是确定状态转移方程,从而根据需要创建dp数组,一般返回值是最后一个状态,即“最大”问题的最优解,明白了思路和步骤,DP的代码写起来通常是很简洁的。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
实验课程:算法分析与设计 实验名称:用动态规划法求解资源分配问题 (验证型实验) 实验目标: (1)掌握用动态规划方法求解实际问题的基本思路。 (2)进一步理解动态规划方法的实质,巩固设计动态规划算法的基本步骤。 实验任务: (1)设计动态规划算法求解资源分配问题,给出算法的非形式描述。 (2) 在Windows环境下用C 语言实现该算法。计算10个实例,每个实例中n=30, m=10, Ci j为随机产生于范围(0,103)内的整数。记录各实例的数据及执行结果(即最优分配方案、最优分配方案的值)、运行时间。 (3)从理论上分析算法的时间和空间复杂度,并由此解释相应的实验结果。 实验设备及环境: PC;C/C++等编程语言。 实验主要步骤: (1) 根据实验目标,明确实验的具体任务; (2) 分析资源分配问题,获得计算其最优值的递推计算公式; (3) 设计求解问题的动态规划算法,并编写程序实现算法; (4) 设计实验数据并运行程序、记录运行的结果; (5) 分析算法的时间和空间复杂度,并由此解释释相应的实验结果; 问题分析: 问题描述: 某厂根据计划安排,拟将n台相同的设备分配给m个车间,各车间获得这种设备后,可以为国家提供盈利Ci j(i台设备提供给j号车间将得到的利润,1≤i≤n,1≤j≤m) 。问如何分配,才使国家得到最大的盈利? 算法基本思想: 本问题是一简单资源分配问题,由于具有明显的最优子结构,故可以使用动态规划求解,用状态量f[i][j]表示用i台设备分配给前j个车间的最大获利,那么显然有f[i][j] = max{ f[k][j–1] + c[i-k][j] },0<=k<=i。再用p[i][j]表示获得最优解时第j号车间使用的设备数为i-p[i][j],于是从结果倒推往回求即可得到分配方案。程序实现时使用顺推,先枚举车间数,再枚举设备数,再枚举状态转移时用到的设备数,简单3重for循环语句即可完成。时间复杂度为O(n^2*m),空间复杂度为O(n*m),倘若此题只需求最大获利而不必求方案,则状态量可以减少一维,空间复杂度优化为O(n)。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值