题目描述
一个机器人位于一个 m x n 网格的左上角 (起始点在下图中标记为“Start” )。
机器人每次只能向下或者向右移动一步。机器人试图达到网格的右下角(在下图中标记为“Finish”)。
现在考虑网格中有障碍物。那么从左上角到右下角将会有多少条不同的路径?
网格中的障碍物和空位置分别用 1 和 0 来表示。
说明:m 和 n 的值均不超过 100。
示例 1:
输入: [ [0,0,0], [0,1,0], [0,0,0] ]
输出: 2
解释:
3x3 网格的正中间有一个障碍物。
从左上角到右下角一共有 2 条不同的路径:
- 向右 -> 向右 -> 向下 -> 向下
- 向下 -> 向下 -> 向右 -> 向右
来源:力扣(LeetCode)
链接:https://leetcode-cn.com/problems/unique-paths-ii
解题思路
我们用 f ( i , j ) f(i, j) f(i,j) 来表示从坐标 ( 0 , 0 ) (0, 0) (0,0) 到坐标 ( i , j ) (i, j) (i,j) 的路径总数, u ( i , j ) u(i, j) u(i,j) 表示坐标 ( i , j ) (i, j) (i,j) 是否可行,如果坐标 ( i , j ) (i, j) (i,j) 有障碍物, u ( i , j ) = 0 u(i, j) = 0 u(i,j)=0,否则 u ( i , j ) = 1 u(i, j) = 1 u(i,j)=1。
因为机器人每次只能向下或者向右移动一步
,所以
(
0
,
0
)
(0, 0)
(0,0) 到坐标
(
i
,
j
)
(i, j)
(i,j) 的路径总数的值只取决于从坐标
(
0
,
0
)
(0, 0)
(0,0) 到坐标
(
i
−
1
,
j
)
(i - 1, j)
(i−1,j) 的路径总数和从坐标
(
0
,
0
)
(0, 0)
(0,0) 到坐标
(
i
,
j
−
1
)
(i, j - 1)
(i,j−1) 的路径总数,即
f
(
i
,
j
)
f(i, j)
f(i,j) 只能通过
f
(
i
−
1
,
j
)
f(i - 1, j)
f(i−1,j) 和
f
(
i
,
j
−
1
)
f(i, j - 1)
f(i,j−1) 转移得到。
当坐标
(
i
,
j
)
(i, j)
(i,j) 本身有障碍的时候:任何路径都到到不了
f
(
i
,
j
)
f(i, j)
f(i,j),此时
f
(
i
,
j
)
=
0
f(i, j) = 0
f(i,j)=0。
当坐标
(
i
,
j
)
(i, j)
(i,j) 没有障碍的时候:如果坐标
(
i
−
1
,
j
)
(i - 1, j)
(i−1,j) 没有障碍,那么就意味着从坐标
(
i
−
1
,
j
)
(i - 1, j)
(i−1,j) 可以走到
(
i
,
j
)
(i, j)
(i,j) ,即
(
i
−
1
,
j
)
(i - 1, j)
(i−1,j) 位置对
f
(
i
,
j
)
f(i, j)
f(i,j) 的贡献为
f
(
i
−
1
,
j
)
f(i - 1, j)
f(i−1,j) ;同理,当坐标
(
i
,
j
−
1
)
(i, j - 1)
(i,j−1) 没有障碍的时候,
(
i
,
j
−
1
)
(i, j - 1)
(i,j−1) 位置对
f
(
i
,
j
)
f(i, j)
f(i,j) 的贡献为
f
(
i
,
j
−
1
)
f(i, j - 1)
f(i,j−1) 。
综上所述,我们可以得到这样的动态规划转移方程:
f
(
i
,
j
)
=
{
0
,
u
(
i
,
j
)
=
0
f
(
i
−
1
,
j
)
+
f
(
i
,
j
−
1
)
,
u
(
i
,
j
)
≠
0
f(i, j)=\left\{\begin{aligned} 0, & u(i, j)=0 \\ f(i-1, j)+f(i, j-1), & u(i, j) \neq 0 \end{aligned}\right.
f(i,j)={0,f(i−1,j)+f(i,j−1),u(i,j)=0u(i,j)=0
由于这里
f
(
i
,
j
)
f(i, j)
f(i,j) 只与
f
(
i
−
1
,
j
)
f(i - 1, j)
f(i−1,j) 和
f
(
i
,
j
−
1
)
f(i, j - 1)
f(i,j−1) 相关,我们可以运用滚动数组思想
把空间复杂度优化称
O
(
m
)
O(m)
O(m)。
滚动数组思想是一种常见的动态规划优化方法,在题目中已经多次使用到,例如「剑指 Offer 46. 把数字翻译成字符串」、「70. 爬楼梯」等,当定义的状态在动态规划的转移方程中只和某几个状态相关的时候,就可以考虑这种优化方法,目的是给空间复杂度「降维」。
- 复杂度分析
- 时间复杂度: O ( n m ) O(nm) O(nm),其中 n n n 为网格的行数, m m m 为网格的列数。我们只需要遍历所有网格一次即可。
- 空间复杂度: O ( m ) O(m) O(m)。利用滚动数组优化,我们可以只用 O ( m ) O(m) O(m) 大小的空间来记录当前行的 f f f 值。
代码实现
class Solution(object):
def uniquePathsWithObstacles(self, obstacleGrid):
"""
:type obstacleGrid: List[List[int]]
:rtype: int
"""
m = len(obstacleGrid)
n = len(obstacleGrid[0])
dp = [1] + [0]*(n-1)
for i in range(m):
for j in range(n):
if j == 0:
dp[j] = 0 if obstacleGrid[i][j] else dp[j]
else:
dp[j] = 0 if obstacleGrid[i][j] else dp[j] + dp[j-1]
return dp[-1]
Tips
怎么想到用动态规划来解决这个问题呢?我们需要从问题本身出发,寻找一些有用的信息,例如本题中:
-
(
i
,
j
)
(i, j)
(i,j) 位置只能从
(
i
−
1
,
j
)
(i - 1, j)
(i−1,j) 和
(
i
,
j
−
1
)
(i, j - 1)
(i,j−1) 走到,这样的条件就是在告诉我们这里转移是
无后效性
的, f ( i , j ) f(i, j) f(i,j) 和任何的 f ( i ′ , j ′ ) ( i ′ > i , j ′ > j ) f(i', j')(i' > i, j' > j) f(i′,j′)(i′>i,j′>j) 无关。 - 动态规划的题目分为两大类,一种是
求最优解类
,典型问题是背包问题,另一种就是计数类
,比如这里的统计方案数的问题,它们都存在一定的递推性质
。前者的递推性质还有一个名字,叫做最优子结构
——即当前问题的最优解取决于子问题的最优解,后者类似,当前问题的方案数取决于子问题的方案数。所以在遇到求方案数的问题时,我们可以往动态规划的方向考虑。
通常如果我们察觉到了这两点要素,这个问题八成可以用动态规划来解决。
根据官方题解总结。
A u t h o r : C h i e r Author: Chier Author:Chier