【算法】动态规划题目总结

一. 斐波那契数列模型

解题步骤：

1. 确定状态表示（最重要）：明确 dp 表里的值所表示的含义
2. 推导状态转移方程（最难）：dp[i] 等于什么？
3. 初始化：保证填表的时候不越界
4. 填表顺序：明确执行动态规划时的填表顺序
5. 返回结果：明确最终要返回的是那个子问题的值

---

1. 第 N 个泰波那契数

---

题目连接

---

题目解析
我们对题目给的公式进行转化：

观察公式可以看到，如果要求第 i 个泰波那切数的话，我们只需知道前 i-1、i-2、i-3 的值即可。

算法原理

• 状态表示：dp[i] 代表第 i 个泰波那切数
• 状态转移方程：dp[i] = dp[i-1] + dp[i-2] + dp[i-3]
• 初始化：dp[0] = 0、dp[1] = dp[2] = 1
• 填表：根据状态转移方程和初始化的值，使用滑动窗口的方式一直计算最终得到第 i 个泰波那切数。
• 返回值：第 n 个泰波那切数

编写代码

class Solution 
{
public:
    int tribonacci(int n) 
    {
		// 1、建表
        vector<int> dp(n+1);
		// 2、初始化
        dp[0] = 0, dp[1] = dp[2] = 1;
		// 3、填表
        for(int i = 3; i <= n; ++i)
        {
            dp[i] = dp[i-1] + dp[i-2] + dp[i-3];
        }
		// 4、返回值
        return dp[n];
    }
};

/*
- 时间复杂度：O(n)
- 空间复杂度：O(n)
*/

---

2. 三步问题

---

题目连接

---

题目解析：小孩最多一次跳三步，假设要跳到第n级台阶，那最后跳到第n级台阶时的那一步一定是下面三种情况之一：

所以想求跳到第n级台阶有几种方法的话，我们只需知道跳到第 n-1、n-2 和 n-3 台阶时各自有几种方法，然后把它们相加起来即可。

PS：计算时需要注意取模

算法原理

• 状态表示：dp[i] 表示 到达i位置时，一共有多少种方法。
• 状态转移方程：dp[i] = dp[i-1] + dp[i-2] + dp[i-3]
• 初始化：dp[1] = 1 dp[2] = 2 dp[3] = 4
• 填表顺序：从左往右
• 返回值 ：dp[n]

代码实现

class Solution
{
public:
	int waysToStep(int n)
	{
		// 1、处理特殊情况
		if (n == 1) return 1;
		if (n == 2) return 2;
		if (n == 3) return 4;
		// 2、创建dp表
		vector<int> dp(n + 1);
		// 3、初始化
		dp[1] = 1;
		dp[2] = 2;
		dp[3] = 4;
		// 4、填表
		for (size_t i = 4; i <= n; ++i)
			dp[i] = ((dp[i - 1] + dp[i - 2]) % 1000000007 + dp[i - 3]) % 1000000007;
		// 5、返回值
		return dp[n];
	}
};

/*
- 时间复杂度：O(n)
- 空间复杂度：O(n)
*/

---

3. 使用最小花费爬楼梯

---

题目连接

---

题目解析

解法一：从左往右填表

• 状态表示：dp[i] 表示到达i位置时的最小花费
• 状态转移方程
  
• 初始化（保证填表的时候不越界）：dp[0]=dp[1]=0
• 填表顺序：从左往右
• 返回值：因为是从0号台阶开始，所以最后一个台阶的下标为 n-1。最后返回 dp[n]

代码实现

class Solution 
{
public:
    int minCostClimbingStairs(vector<int>& cost) 
    {
        int n = cost.size();
        // 1、建表 && 初始化
        vector<int> dp(n + 1);
        // 2、填表
        for(int i = 2; i <= n; ++i) 
            dp[i] = min(dp[i - 1] + cost[i - 1], dp[i - 2] + cost[i - 2]);
        // 3、返回值
        return dp[n];
    }
};

/*
- 时间复杂度：O(n)
- 空间复杂度：O(n)
*/

解法二：从右往左填表

• 状态表示：dp[i] 表示从i位置出发，到达楼顶，此时的最小花费

• 状态转移方程
  

• 初始化：dp[n-1] = cost[n-1]、dp[n-2] = cost[n-2]

• 填表顺序：从右往左

• 返回值：min(dp[0]， dp[1])

代码实现

class Solution
{
public:
	int minCostClimbingStairs(vector<int>& cost)
	{
		int n = cost.size();
		vector<int> dp(n);
		dp[n - 1] = cost[n - 1];
		dp[n - 2] = cost[n - 2];
		for (int i = n - 3; i >= 0; --i)
			dp[i] = cost[i] + min(dp[i + 1], dp[i + 2]);
		return min(dp[0], dp[1]);
	}
};

/*
- 时间复杂度：O(n)
- 空间复杂度：O(n)
*/

---

4. 解码方法

---

题目连接

题目解析
输入是一个只含有数字的非空字符串，要求返回所有可能存在的解码方式（注意单独一个0，和0x为非法数字，不能用来解码）

算法原理
 状态表示：dp[i] 代表 以 i 位置为结尾时，解码方法的总数

 状态转移方程：根据最近的一步，划分问题

 初始化：情况转移方程情况复杂的话，我们可以考虑dp表多开一个空间这样方便我们后继填表，这时要注意多开出来的那块空间初，他始化的值要能够让我们的填表逻辑正确。

 填表顺序：从左往右

 返回值：dp[n]

代码实现

class Solution
{
public:
	int numDecodings(string s)
	{
		// 1、建表
		size_t n = s.size();
		vector<int> dp(n + 1);

		// 2、初始化
		dp[0] = 1;
		dp[1] = s[0] != '0';

		// 3、填表
		for (size_t i = 2; i <= n; ++i)
		{
			if (s[i - 1] != '0') dp[i] += dp[i - 1];
			if (atoi(s.substr(i - 2, 2).c_str()) >= 10 && atoi(s.substr(i - 2, 2).c_str()) <= 26) dp[i] += dp[i - 2];
		}

		// 4、返回值
		return dp[n];
	}
};

/*
- 时间复杂度：O(n)
- 空间复杂度：O(n)
*/

二. 路径问题

---

1. 不同路径

---

算法原理

• 状态表示：dp[ i ][ j ]的含义是：走到 (i, j) 位置，一共有多少种走法

• 状态转移方程：根据最近的一步去划分问题
  

• 初始化：为了方便填表，我们给dp表多开了一行和一列
  

• 填表顺序：从上往下填写每一行，每一行再从左往右填写

• 返回值：dp[m][n]

代码实现

class Solution 
{
public:
	int uniquePaths(int m, int n)
	{
        // 1、建表
        // 2、初始化
        // 3、填表
        // 4、返回值
		vector<vector<int>> dp(m + 1, vector<int>(n + 1));
		dp[1][0] = 1;
		for (size_t i = 1; i <= m; ++i)
			for (size_t j = 1; j <= n; ++j)
				dp[i][j] = dp[i - 1][j] + dp[i][j - 1];
		return dp[m][n];
	}
};
/*
- 时间复杂度：O(mn)
- 空间复杂度：O(mn)
*/

---

2. 不同路径 II

---

题目解析
 这道题的思路和不同路径I 是一样的，只不过我们在填表时，如果遇到了障碍物，那就说明这个位置是无法走到的，我们把这个位置的路径数置为0即可

算法原理

• 状态表示：dp[i][j] 表示到达 (i, j) 位置时，有多少种路径

• 状态转移方程
  

• 初始化：为了方便后续填表，我们创建的 dp 表要比题目给的矩阵多开一行和多开一列，初始化时要注意以下两点：

  • 下标的映射关系
  • 要保证后面填表的逻辑正确
    

• 填表顺序：从上往下填写每一行，每一行再从左往右填写

• 返回值：dp[m][n]

代码实现

class Solution 
{
public:
	int uniquePathsWithObstacles(vector<vector<int>>& ob)
	{
		// 1、建表
		size_t m = ob.size();
		size_t n = ob[0].size();
		vector<vector<int>> dp(m + 1, vector<int>(n));
		// 2、初始化
		dp[0][1] = 1;
		// 3、填表
		for (size_t i = 1; i <= m; ++i)
			for (size_t j = 1; j <= n; ++j)
				if (ob[i - 1][j - 1] != 1)
					dp[i][j] = dp[i - 1][j] + dp[i][j - 1];
		// 4、返回值
		return dp[m][n];
	}
};

/*
- 时间复杂度：O(mn)
- 空间复杂度：O(mn)
*/

---

3. 礼物的最大价值

---

算法原理

• 状态表示（根据题目要求+经验）：dp[ i ][ j ] 表示走到 (i, j) 时，该位置最多能拿到多少价值的礼物
• 状态转移方程
  
• 初始化
  
• 填表顺序：从上往下填写每一行，每一行从左往右填写
• 返回值：dp[m][n]

代码编写

class Solution
{
public:
	// 1、创建 dp 表
	// 2、初始化
	// 3、填表
	// 4、返回值
	int maxValue(vector<vector<int>>& grid)
	{
		size_t m = grid.size(), n = grid[0].size();
		vector<vector<int>> dp(m + 1, vector<int>(n + 1));
		for (size_t i = 1; i <= m; ++i)
			for (size_t j = 1; j <= n; ++j)
				dp[i][j] = max(dp[i - 1][j], dp[i][j - 1]) + grid[i - 1][j - 1];
		return dp[m][n];
	}
};

/*
- 时间复杂度：O(mn)
- 空间复杂度：O(mn)
*/

---

4. 下降路径最小和

---

算法原理

• 状态表示（根据经验+题目要求，dp[i][j]表示以 (i, j) 位置为 结尾/起点 时，xxxxxxx…）
  

• 状态转移方程
  

• 初始化（为了保证在填表的时候不越界）：
  

• 填表顺序：每一个元素的值只受最靠近他的上面位置的三个元素的值所影响，所以我们只需保证从上往下填表即可。

• 返回值：最后一行的最小值

代码编写

class Solution
{
public:
	int minFallingPathSum(vector<vector<int>>& matrix)
	{
		// 1、建表
		size_t n = matrix.size();
		vector<vector<int>> dp(n + 1, vector<int>(n + 2, INT_MAX));
		// 2、初始化
		for (size_t j = 0; j < n + 2; ++j)
			dp[0][j] = 0;
		// 3、填表
		for (size_t i = 1; i < n + 1; ++i)
			for (size_t j = 1; j < n + 1; ++j)
				dp[i][j] = min(min(dp[i - 1][j - 1], dp[i - 1][j]), dp[i - 1][j + 1]) + matrix[i-1][j-1];
		// 4、返回值
		int ret = INT_MAX;
		for (size_t j = 1; j < n + 1; ++j)
			if (dp[n][j] < ret) ret = dp[n][j];
		return ret;
	}
};
/*
- 时间复杂度：O(n^2)
- 空间复杂度：O(n^2)
*/

---

5. 最小路径和

---

算法原理

• 状态表示（题目 + 经验要求），通常是：以某位置为 结尾/起点 时，巴拉巴拉巴拉…

  • dp[i][j]：从起点到达 (i, j) 位置时的最小路径和

• 状态转移方程
  

• 初始化（保证填表的时候不越界）
  

• 填表顺序：从上往下，每一行再从左往右

• 返回值：dp[m][n]

代码编写

class Solution
{
public:
	int minPathSum(vector<vector<int>>& grid)
	{
		// 1、创建 dp 表
		size_t m = grid.size(), n = grid[0].size();
		vector<vector<int>> dp(m + 1, vector<int>(n + 1, INT_MAX));
		// 2、初始化
		dp[0][1] = dp[1][0] = 0;
		// 3、填表
		for (size_t i = 1; i < m + 1; ++i)
			for (size_t j = 1; j < n + 1; ++j)
				dp[i][j] = min(dp[i - 1][j], dp[i][j - 1]) + grid[i - 1][j - 1];
		// 4、返回值
		return dp[m][n];
	}
};
/*
- 时间复杂度：O(mn)
- 空间复杂度：O(mn)
*/

---

6. 地下城游戏

---

算法原理

• 状态表示（根据 题目要求 + 经验）
  
• 状态转移方程（以 (i, j) 为起点/终点时，巴拉巴拉巴拉）
  
• 初始化
  
• 填表顺序：从下往上填每一行，每一行再从右往左填
• 返回值：dp[0][0]

代码编写

class Solution
{
public:
	int calculateMinimumHP(vector<vector<int>>& dungeon)
	{
		// 建表
		int m = dungeon.size(), n = dungeon[0].size();
		vector<vector<int>> dp(m + 1, vector<int>(n + 1, INT_MAX));
		// 初始化
		dp[m - 1][n] = dp[m][n - 1] = 1;
		// 填表
		for (int i = m - 1; i >= 0; --i)
		{
			for (int j = n - 1; j >= 0; --j)
			{
				dp[i][j] = min(dp[i][j + 1], dp[i + 1][j]) - dungeon[i][j];
				dp[i][j] = max(1, dp[i][j]);
			}
		}
		// 返回值
		return dp[0][0];
	}
};

/*
- 时间复杂度：O(m*n)
- 空间复杂度：O(m*n)
*/

三. 简单多状态 dp 问题

---

1. 按摩师

---

题目解析

算法原理

• 状态表示
  
• 状态转移方程
  
• 初始化
  
• 填表顺序：从左往右填表，两个表一起填
• 返回值：max(f(n-1), g(n-1))

代码编写

class Solution
{
public:
	int massage(vector<int>& nums)
	{
		// 1、建表
		int n = nums.size();
		if (n == 0) return 0;
		vector<int> f(n), g(n);
		// 2、初始化
		f[0] = nums[0];
		g[0] = 0;
		// 3、填表
		for (int i = 1; i < n; ++i)
		{
			f[i] = g[i - 1] + nums[i];
			g[i] = max(f[i - 1], g[i - 1]);
		}
		// 4、返回值
		return max(f[n - 1], g[n - 1]);
	}
};

/*
- 时间复杂度：O(n)
- 空间复杂度：O(n)
*/

---

2. 打家劫舍I

---

算法原理

代码编写

class Solution
{
public:
	int rob(vector<int>& nums)
	{
		// 建表
		int n = nums.size();
		vector<int> f(n), g(n);
		// 初始化
		f[0] = nums[0];
		// 填表
		for (int i = 1; i < n; ++i)
		{
			f[i] = g[i - 1] + nums[i];
			g[i] = max(f[i - 1], g[i - 1]);
		}
		// 返回值
		return max(f[n - 1], g[n - 1]);
	}
};

/*
- 时间复杂度：O(n)
- 空间复杂度：O(n)
*/

3. 打家劫舍II

算法原理

代码编写

class Solution
{
public:
	int rob(vector<int>& nums)
	{
		int n = nums.size();
		return max(nums[0] + _rob(nums, 2, n - 2), _rob(nums, 1, n - 1));
	}
private:
	int _rob(vector<int>& nums, int left, int right)
	{
		if (left > right) return 0;
		// 建表
		int n = right - left + 1;
		vector<int> f(n), g(n);
		// 初始化
		f[0] = nums[left];
		// 填表
		for (int i = 1; i < n; ++i)
		{
			f[i] = g[i - 1] + nums[left + i];
			g[i] = max(f[i - 1], g[i - 1]);
		}
		// 返回值
		return max(f[n - 1], g[n - 1]);
	}
};
/*
- 时间复杂度：O(n)
- 空间复杂度：O(n)
*/

---

4. 删除并获得点数

---

算法原理

代码编写

class Solution 
{
public:
    int deleteAndEarn(vector<int>& nums) 
    {
        // 1、建表
        vector<int> f(40001);
        vector<int> g(40001);
        vector<int> count(40001);
        // 2、初始化
        for(const auto e : nums)
            count[e] += e;
        // 3、填表
        for(int i = 1; i < 40001; ++i)
        {
            f[i] = count[i] + g[i-1];
            g[i] = max(f[i-1], g[i-1]);
        }
        // 4、返回值
        return max(f[40000], g[40000]);
    }
};

/*
- 时间复杂度：O(n + 40001)
- 空间复杂度：O(1)
*/

5. 粉刷房子

算法原理

• 状态表示
  
• 状态转移方程
  
• 初始化
  
• 填表顺序：从上往下填，每次填好某个房子的三种情况（红色、绿色、蓝色）
• 返回值：因为多开了一行虚拟节点，所以返回min(dp[n][0], dp[n][1], dp[n][2])

代码编写

class Solution 
{
public:
    int minCost(vector<vector<int>>& costs) 
    {
        // 1、建表并初始化
		int n = costs.size();
        vector<vector<int>> dp(n + 1, vector<int>(3));
        // 2、填表
        for(int i = 1; i <= n; ++i)
        {
            dp[i][0] = costs[i-1][0] + min(dp[i-1][1], dp[i-1][2]);
            dp[i][1] = costs[i-1][1] + min(dp[i-1][0], dp[i-1][2]);
            dp[i][2] = costs[i-1][2] + min(dp[i-1][0], dp[i-1][1]);
        }
        // 3、返回值
        return min(dp[n][0], min(dp[n][1], dp[n][2]));
    }
};
/*
- 时间复杂度：O(n)
- 空间复杂度：O(n)
*/

6. 买卖股票的最佳时机含冷冻期

算法原理

• 状态表示
  

• 状态转移方程
  

• 初始化：根据状态转移方程可知：想要得到某天结束时，该天三种状态（持有、不持有且处于冷冻期、不持有但不处于冷冻期）各自的最大利润，则需要知道前一天的三种状态的值，所以我们只需要初始化好第一天三种状态的结果，然后填表时从第二天开始填即可
  

• 填表顺序：从上往下填，填写每一天的三种状态各自的最大利润

• 返回值
  

代码编写

class Solution
{
public:
	int maxProfit(vector<int>& prices)
	{
		// 1、建表
		int n = prices.size();
		vector<vector<int>> dp(n, vector<int>(3));
		// 2、初始化
		dp[0][0] = -prices[0];
		// 3、填表
		for (int i = 1; i < n; ++i)
		{
			dp[i][0] = max(dp[i - 1][0], dp[i - 1][1] - prices[i]);
			dp[i][1] = max(dp[i - 1][1], dp[i - 1][2]);
			dp[i][2] = dp[i - 1][0] + prices[i];
		}
		// 4、返回值
		return max(dp[n - 1][1], dp[n - 1][2]);
	}
};
/*
- 时间复杂度：O(n)
- 空间复杂度：O(n)
*/

7. 买卖股票的最佳时机含手续费

算法原理

• 状态表示
  

• 状态转移方程
  

• 初始化：f[0] = -prices[i]、g[0] = 0

• 填表顺序：从左往右，两张表一起填

• 返回值：最终返回值的话，就不考虑 f[n-1] 了，因为最后一天还持有股票的话：要么就是当天新买的，要么就是之前买的，但是一直没有卖出。这两种情况都不可能是最大利润，所以直接返回 g[n-1] 即可。

代码编写

class Solution 
{
public:
    int maxProfit(vector<int>& prices, int fee) 
    {
        // 1、建表
        int n = prices.size();
        vector<int> f(n), g(n);
        // 2、初始化
        f[0] = -prices[0];
        // 3、填表
        for(int i = 1; i < n; ++i)
        {
            f[i] = max(f[i-1], g[i-1] - prices[i]);
            g[i] = max(g[i-1], f[i-1] + prices[i] - fee);
        }
        // 4、返回值
        return g[n-1];
    }
};
/*
- 时间复杂度：O(n)
- 空间复杂度：O(n)
*/

8. 买卖股票的最佳时机 III

算法原理

• 状态表示
  

• 状态转移方程
  

• 初始化
  

• 填表顺序：从 i=1 开始，从下往上填写每一行，每一行从左往右，两张表一起填

• 返回值：找到并返回 g 表最后一行的最大值（可能是零笔交易出最大值，也可能是一笔或两笔）

代码编写

class Solution
{
public:
	const int INF = 0x3f3f3f3f;

	int maxProfit(vector<int>& prices)
	{
		// 1、建表
		int n = prices.size();
		vector<vector<int>> f(n, vector<int>(3, -INF));
		auto g(f);
		// 2、初始化
		f[0][0] = -prices[0], g[0][0] = 0;
		// 3、填表
		for (int i = 1; i < n; ++i)
		{
			for (int j = 0; j < 3; ++j)
			{
				f[i][j] = max(f[i - 1][j], g[i - 1][j] - prices[i]);
				if (j - 1 < 0)
					g[i][j] = g[i - 1][j];
				else
					g[i][j] = max(g[i - 1][j], f[i - 1][j - 1] + prices[i]);
			}
		}
		// 4、返回值
		int ret = -INF;
		for (int j = 0; j < 3; ++j)
		{
			if (g[n - 1][j] > ret)
			{
				ret = g[n - 1][j];
			}
		}
		return ret;
	}
};
/*
- 时间复杂度：O(n)
- 空间复杂度：O(n)
*/

9. 买卖股票的最佳时期IV

算法原理

• 状态表示
  
• 状态转移方程
  
• 初始化
  
• 填表顺序：从 i=1 开始，从下往上填写每一行，每一行从左往右，两张表一起填
• 返回值：找到并返回 g 表最后一行的最大值

代码编写

class Solution
{
public:
	const int INF = 0x3f3f3f3f;

	int maxProfit(int k, vector<int>& prices)
	{
		// 1、建表
		int n = prices.size();
		vector<vector<int>> f(n, vector<int>(k + 1, -INF));
		auto g(f);
		// 2、初始化
		f[0][0] = -prices[0], g[0][0] = 0;
		// 3、填表
		for (int i = 1; i < n; ++i)
		{
			for (int j = 0; j < k + 1; ++j)
			{
				f[i][j] = max(f[i - 1][j], g[i - 1][j] - prices[i]);
				if (j - 1 < 0)
					g[i][j] = g[i - 1][j];
				else
					g[i][j] = max(g[i - 1][j], f[i - 1][j - 1] + prices[i]);
			}
		}
		// 4、返回值
		int ret = -INF;
		for (int j = 0; j < k + 1; ++j)
		{
			if (g[n - 1][j] > ret)
			{
				ret = g[n - 1][j];
			}
		}
		return ret;
	}
};
/*
- 时间复杂度：O(n*k)
- 空间复杂度：O(n*k)
*/

四. 子数组系列

---

1. 最大子数组和

---

算法原理

• 状态表示
  
• 状态转移方程
  
• 初始化
  
• 填表顺序：从左往右
• 返回值：dp表中最大值

代码编写

class Solution 
{
public:
    const int INF = 0x3f3f3f3f;
	int maxSubArray(vector<int>& nums)
	{
		// 1、建表
		int n = nums.size();
		vector<int> dp(n + 1);
        // 2、初始化
        dp[0] = -INF;
		// 2、填表
		for (int i = 1; i <= n; ++i)
		{
			dp[i] = max(nums[i-1], dp[i - 1] + nums[i-1]);
		}
		// 3、返回值
		return *max_element(dp.begin(), dp.end());
	}
};

/*
- 时间复杂度：O(n)
- 空间复杂度：O(n)
*/

2. 环形子数组的最大和

思路分析

算法原理

• 状态表示

  • f[i] 表示：以 i 为结尾的所有子数组中的最大和
  • g[i] 表示：以 i 为结尾的所有子数组中的最小和

• 状态转移方程
  

• 初始化
  

• 填表顺序：从左往右，两张表一起填

• 返回值
  

---

3. 乘积最大子数组

---

算法原理

• 状态表示
  
• 状态转移方程
  
• 初始化
  
• 填表顺序：从左往右，两张表一起填
• 返回值：f 表中的最大值（注意虚拟节点的值不算在内）

代码编写

class Solution
{
public:
	int maxProduct(vector<int>& nums)
	{
		// 1、建表
		int n = nums.size();
		vector<int> f(n + 1), g(n + 1);
		// 2、初始化
		f[0] = g[0] = 1;
		// 3、填表
		for (int i = 1; i <= n; ++i)
		{
			f[i] = max(nums[i - 1], max(f[i - 1] * nums[i - 1], g[i - 1] * nums[i - 1]));
			g[i] = min(nums[i - 1], min(f[i - 1] * nums[i - 1], g[i - 1] * nums[i - 1]));
		}
		// 4、返回值
		return *max_element(f.begin() + 1, f.end());
	}
};
/*
- 时间复杂度：O(n)
- 空间复杂度：O(n)
*/

---

4. 乘积为正数的最长子数组长度

---

算法原理

• 状态表示
  
• 状态转移方程
  
• 初始化
  
• 填表顺序：从左往右，两张表一起填
• 返回值：f 表中的最大值（注意虚拟节点的值不算在内）

代码编写

class Solution 
{
public:
	int getMaxLen(vector<int>& nums) 
	{
        // 1、建表 && 初始化
        int n = nums.size();
        vector<int> f(n + 1), g(n + 1);
        // 2、填表
        for(int i = 1; i <= n; ++i)
        {
            if(nums[i - 1] > 0) 
                f[i] = f[i - 1] + 1;
            else
                f[i] = (g[i - 1] == 0 || nums[i - 1] == 0) ? 0 : g[i - 1] + 1;

            if(nums[i - 1] >= 0)
                g[i] = (g[i - 1] == 0 || nums[i - 1] == 0) ? 0 : g[i - 1] + 1;
            else 
                g[i] = f[i - 1] + 1;
        }
        // 3、返回值
        return *max_element(f.begin() + 1, f.end());
	}   
};
/*
- 时间复杂度：O(n)
- 空间复杂度：O(n)
*/

---

5. 等差数列划分

---

算法原理

• 状态表示
  
• 状态转移方程
  
• 初始化
  
• 填表顺序：从左往右
• 返回值：dp 表中所有元素之和

代码编写

class Solution 
{
public:
    int numberOfArithmeticSlices(vector<int>& nums) 
    {
        // 1、建表 和 初始化
        int n = nums.size();
        vector<int> dp(n);
        // 2、填表
        int ret = 0;
        for(int i = 2; i < n; ++i) 
        {
            nums[i - 1] - nums[i - 2] == nums[i] - nums[i - 1] ?  dp[i] = dp[i - 1] + 1 : dp[i] = 0;
            ret += dp[i];
        }
        // 3、返回值
        return ret;
    }
};
/*
- 时间复杂度：O(n)
- 空间复杂度：O(n)
*/

---

6. 最长湍流子数组

---

算法原理

• 状态表示
  
• 状态转移方程
  
• 初始化
  
• 填表顺序：从左往右，两张表一起填
• 返回值：f、g 表里面的最大值

代码编写

class Solution 
{
public:
	int maxTurbulenceSize(vector<int>& arr)
	{
		// 1、建表 && 初始化
		int n = arr.size();
		vector<int> f(n, 1), g(n, 1);
		// 2、填表
		for (int i = 1; i < n; ++i)
		{
			if (arr[i - 1] < arr[i]) f[i] = g[i - 1] + 1;
			if (arr[i - 1] > arr[i]) g[i] = f[i - 1] + 1;
		}
		// 3、返回值
		return max(*max_element(f.begin(), f.end()), *max_element(g.begin(), g.end()));
	}
};
/*
- 时间复杂度：O(n)
- 空间复杂度：O(n)
*/

7. 单词拆分

算法原理

• 状态表示
  
• 状态转移方程
  
• 初始化
  
• 填表顺序：从左往右
• 返回值：dp[n]

代码编写

class Solution 
{
    
public:
    bool wordBreak(string s, vector<string>& wordDict) 
    {
        // 1、建表
        int n = s.size();
        vector<int> dp(n + 1);
        // 2、初始化
        dp[0] = true;
        s = ' ' + s;
        // 3、填表
        for(int i = 1; i <= n; ++i)
        {
            for(int j = i; j >= 1; --j)
            {
                if(dp[j - 1] && 
                find(wordDict.begin(), wordDict.end(), s.substr(j, i - j + 1)) != wordDict.end())
                {
                    dp[i] = true;
                    break;
                }
            }
        }
        // 4、返回值
        return dp[n];
    }
};
/*
- 时间复杂度：O(n)
- 空间复杂度：O(n^2)
*/

---

8. 环绕字符串中唯一的子字符串

---

算法原理

• 状态表示
  
• 状态转移方程
  
• 初始化：因为每一个元素单独也属于 base，所以把 dp 表里的值全都初始化为 1
• 填表顺序：从左往右填表
• 返回值
  

代码编写

class Solution 
{
public:
    int findSubstringInWraproundString(string s) 
    {
        // 1、建表 && 初始化
        int n = s.size();
        vector<int> dp(n, 1);
        // 2、填表
        for(int i = 1; i < n; ++i)
            if(s[i - 1] + 1 == s[i] || (s[i - 1] == 'z' && s[i] == 'a')) 
                dp[i] += dp[i - 1];
        // 3、返回值
        vector<int> count(26);
        for(int i = 0; i < n; ++i) count[s[i] - 'a'] = max(count[s[i] - 'a'], dp[i]);
        int ret = 0;
        for(const auto e : count) ret += e;
        return ret;
    }
};
/*
- 时间复杂度：O(n)
- 空间复杂度：O(n)
*/

五. 子序列问题

概念	定义	要求	范围
子数组	一个或连续多个数组中的元素组成一个子数组(子数组最少包含一个元素)	必须要相邻	更小
子序列	子序列就是在原来序列中找出一部分组成的序列（子序列不一定连续）	必须要保证相对顺序	更大

---

1. 最长递增子序列

---

算法原理：

• 状态表示
  
• 状态转移方程
  
• 初始化：表里的元素全部初始化为1，表示最基本的情况，即只有自己一个数字构成的最长严格递增子序列。
• 填表顺序：从左往右
• 返回值：dp 表中的最大值

代码编写

class Solution 
{
public:
    int lengthOfLIS(vector<int>& nums) 
    {
        // 1、建表 && 初始化
        int n = nums.size();
        vector<int> dp(n, 1);
        // 2、填表
        for(int i = 1; i < n; ++i)
            for(int j = 0; j < i; ++j)
                if(nums[j] < nums[i])
                    dp[i] = max(dp[i], 1 + dp[j]);
        // 3、返回值
        return *max_element(dp.begin(), dp.end());
    }
};
/*
- 时间复杂度：O(n^2)
- 空间复杂度：O(n)
*/

---

2. 摆动序列

---

算法原理

• 状态表示
  

• 状态转移方程
  

• 初始化：把 f、g 表中的元素全都初始化为 1，表示最基本的情况，即只有一个数字构成的摆动序列。

• 填表顺序：从左往右，两张表一起填

• 返回值：两张表中所有元素的最大值

代码编写

class Solution 
{
public:
    int wiggleMaxLength(vector<int>& nums) 
    {
        // 1、建表 && 初始化
        int n = nums.size();
        vector<int> f(n, 1), g(n, 1);
        // 2、填表
        for(int i = 1; i < n; ++i)
        {
            for(int j = 0; j < i; ++j)
            {
                if(nums[j] < nums[i]) f[i] = max(f[i], g[j] + 1);
                if(nums[j] > nums[i]) g[i] = max(g[i], f[j] + 1);
            }
        }
        // 3、返回值
        return max(*max_element(f.begin(), f.end()), *max_element(g.begin(), g.end()));
    }
};
/*
- 时间复杂度：O(n^2)
- 空间复杂度：O(n)
*/

---

3. 最长递增子序列的个数

---

算法原理
在讲解算法原理之前，我们先看一个小 demo：

了解了上面算法的思想后，回到本题：

• 状态表示
  
• 状态转移方程
  
• 初始化：两张表的元素都初始化为 1，表示最基本的，只有自己一个元素构成的最长递增子序列的情况。
• 填表顺序：从左往右，两张表一起填
• 返回值：在填表之前就创建两个变量，用来统计最长长度和该长度出现的次数，然后填表阶段更新它们的值，最后返回出现次数即可。

代码编写

class Solution 
{
public:
    int findNumberOfLIS(vector<int>& nums) 
    {
        // 1、建表 && 初始化
        int n = nums.size();
        vector<int> len(n, 1), count(n, 1);
        // 2、填表
        int retLen = 1, retCount = 1;
        for(int i = 1; i < n; ++i)
        {
            for(int j = 0; j < i; ++j)
            {
                if(nums[j] < nums[i])
                {
                    if(len[j] + 1 == len[i]) count[i] += count[j];
                    else if(len[j] + 1 > len[i]) len[i] = len[j] + 1, count[i] = count[j];
                }
            }
            if(len[i] > retLen) retLen = len[i], retCount = count[i];
            else if(len[i] == retLen) retCount += count[i];
        }
        // 返回值
        return retCount;
    }
};
/*
- 时间复杂度：O(n^2)
- 空间复杂度：O(n)
*/

---

4. 最长数对链

---

算法原理

• 预处理
  
• 状态表示：dp[i] 表示 以 i 位置元素为结尾的所有数对链中，最长的数对链的长度。
• 状态转移方程
  
• 初始化：dp 表中的元素都初始化为 1，表示最基本的，只有自己一个数对构成的数对链的长度。
• 填表顺序：从左往右
• 返回值：dp 表中的最大值

代码编写

class Solution 
{
public:
    int findLongestChain(vector<vector<int>>& pairs) 
    {
        // 1、预处理
        sort(pairs.begin(), pairs.end());
        // 2、建表
        int n = pairs.size();
        vector<int> dp(n, 1);
        // 3、填表
        for(int i = 1; i < n; ++i)
            for(int j = 0; j < i; ++j)
                if(pairs[j][1] < pairs[i][0])
                    dp[i] = max(dp[i], dp[j] + 1);
        // 4、返回值
        return *max_element(dp.begin(), dp.end());
    }
};
/*
- 时间复杂度：O(n^2)
- 空间复杂度：O(n)
*/

5. 最长定差子序列

算法原理

• 状态表示
  

• 状态转移方程
  

• 初始化
  

• 填表顺序：从左往右

• 返回值：dp 表中的最大值，注意 dp 表是作为哈希表的 value

代码编写

class Solution
{
public:
	int longestSubsequence(vector<int>& arr, int difference)
	{
		// 1、建表
		unordered_map<int, int> hash;
		// 2、初始化
		hash[arr[0]] = 1;
		// 3、填表
		int ret = INT_MIN;
		for (int i = 1; i < arr.size(); ++i)
		{
			hash[arr[i]] = hash[arr[i] - difference] + 1;
			ret = max(ret, hash[arr[i]]);
		}
		// 4、返回值
		return ret;
	}
};
/*
- 时间复杂度：O(n)
- 空间复杂度：O(n)
*/

6. 最长的斐波那契子序列的长度

算法原理

• 状态表示
  
• 状态转移方程
  
• 初始化
  
• 填表顺序
  
• 返回值
  

代码编写

class Solution 
{
public:
    int lenLongestFibSubseq(vector<int>& arr) 
    {
        // 1、建表
        int n = arr.size();
        vector<vector<int>> dp(n, vector<int>(n, 2));
        // 2、初始化
        unordered_map<int, int> hash;
        for(int i = 0; i < n; ++i) hash[arr[i]] = i;
        // 3、填表
        int ret = INT_MIN;
        for(int j = 0; j < n; ++j) 
        {
            for(int i = 0; i < j; ++i)
            {
                int a = arr[j] - arr[i];
                if(hash.count(a) && a < arr[i])
                    dp[i][j] = dp[hash[a]][i] + 1;
                ret = max(ret, dp[i][j]);
            }
        }
        // 4、返回值
        return ret == 2 ? 0 : ret;
    }
};
/*
- 时间复杂度：O(n^2)
- 空间复杂度：O(n^2)
*/

---

7. 最长等差数列

---

---

算法原理

---

代码编写

class Solution 
{
public:
    int longestArithSeqLength(vector<int>& nums) 
    {
        // 0、优化
        unordered_map<int, int> hash;
        hash[nums[0]] = 0;
        // 1、建表 && 初始化
        int n = nums.size();
        vector<vector<int>> dp(n, vector<int>(n, 2));
        // 2、填表
        int ret = 2; 
        for(int i = 1; i < n - 1; ++i) // 固定倒数第二个数
        {
            for(int j = i + 1; j < n; ++j) // 枚举倒数第一个数
            {
                int a = 2 * nums[i] - nums[j];
                if(hash.count(a)) dp[i][j] = dp[hash[a]][i] + 1;
                ret = max(ret, dp[i][j]);
            }
            hash[nums[i]] = i; // 更新 nums[i] 的下标
        }
        // 3、返回值
        return ret;
    }
};
/*
- 时间复杂度：O(n^2)
- 空间复杂度：O(n^2)
*/

---

8. 等差数列划分 II - 子序列

---

---

算法原理

---

代码编写

class Solution 
{
public:
    int numberOfArithmeticSlices(vector<int>& nums) 
    {
        // 0、优化
        unordered_map<long long, vector<int>> hash;
        hash[nums[0]].push_back(0);
        // 1、建表 && 初始化
        int n = nums.size();
        vector<vector<int>> dp(n, vector<int>(n));
        // 2、填表
        int sum = 0; //记录dp表中所有元素之和
        for(int i = 1; i < n - 1; ++i)
        {
            for(int j = i + 1; j < n; ++j)
            {
                long long a = 2 * (long long)nums[i] - nums[j];
                if(hash.count(a))
                    for(const auto e : hash[a])
                        dp[i][j] += dp[e][i] + 1;
                sum += dp[i][j];
            }
            hash[nums[i]].push_back(i);
        }
        // 3、返回值
        return sum;
    }
};
/*
- 时间复杂度：O(n^2)
- 空间复杂度：O(n^2)
*/

六. 回文串问题

---

1. 回文子串

---

算法原理

• 状态表示：dp[i][j] 表示 s 字符串中，下标范围 [i, j] 的子串，它是否构成回文串
  

• 状态转移方程
  

• 初始化：创建一个 n*n 的 dp 表即可，存储元素全是 bool 类型的 false

• 填表顺序：从下往上填写每一行，每一行再从左往右填写

• 返回值： dp 表里面 true 的个数

代码编写

class Solution
{
public:
	int countSubstrings(string s)
	{
		int count = 0;
		size_t n = s.size();
		vector<vector<bool>> dp(n, vector<bool>(n));
		for (int i = n - 1; i >= 0; --i)
			for (int j = i; j < n; ++j)
				if (s[i] == s[j] && (i == j || i + 1 == j || dp[i + 1][j - 1]))
					dp[i][j] = true, ++count;
		return count;
	}
};

/*
- 时间复杂度：O(n^2)
- 空间复杂度：O(n^2)
*/

---

2. 最长回文子串

---

算法原理

代码编写

class Solution 
{
public:
    string longestPalindrome(string s) 
    {
        // 1、建表
        size_t n = s.size();
        // 用来存储最长子串的起始下标和长度，到最后可以使用 substr 还原出该子串
        pair<size_t, size_t> pr(n - 1, 1); 
        // dp 表用来存储所有字串的回文情况
        vector<vector<bool>> dp(n, vector<bool>(n));
        // 2、填表
        for(int i = n - 1; i >= 0; --i)
        {
            for(int j = i; j < n; ++j)
            {
                if(s[i] == s[j])
                    dp[i][j] = i + 1 < j ? dp[i + 1][j - 1] : true;
                if(dp[i][j] && j - i + 1 > pr.second) 
                    pr.first = i, pr.second = j - i + 1;
            }
        }
        // 3、返回值
        return s.substr(pr.first, pr.second);
    }
};
/*
- 时间复杂度：O(n^2)
- 空间复杂度：O(n^2)
*/

---

3. 分割回文串 IV

---

算法原理

代码编写

class Solution
{
public:
    bool checkPartitioning(string s)
    {
        // 1、用 dp 把所有字串是否是回文预处理一下
        int n = s.size();
        vector<vector<bool>> dp(n, vector<bool>(n));

        for(int i = n - 1; i >= 0; --i)
            for(int j = i; j < n; ++j)
                if(s[i] == s[j])
                   dp[i][j] = i + 1 < j ? dp[i + 1][j - 1] : true;

        // 2、枚举所有第二个字符串的起始位置和结束位置
        for(int i = 1; i < n - 1; ++i)
            for(int j = i; j < n - 1; ++j)
                if(dp[0][i - 1] && dp[i][j] && dp[j + 1][n - 1]) 
                    return true;
        return false;
    }
};
/*
- 时间复杂度：O(n^2)
- 空间复杂度：O(n^2)
*/

---

4. 分割回文串 II

---

算法原理

• 状态表示：dp[i] 表示： [0, i] 区间的子字符串，最少的分割次数

• 状态转移方程
  

• 初始化：在更新 dp[i] 时，需要比较原 dp[i] 和 dp[j - 1] + 1，二者的最小值。我们把 dp 表中的元素一开始都初始化为 INT_MAX，主要是为了防止第一次更新 dp[i] 时，不让初始的 dp[i] 去影响我们的更新结果。

• 填表顺序：从左往右

• 返回值：dp[n - 1]

代码编写

class Solution
{
public:
    int minCut(string s)
    {
        // 1、在 isPal 表中统计所有字串的回文信息
        int n = s.size();
        vector<vector<bool>> isPal(n, vector<bool>(n));
        for(int i = n - 1; i >= 0; --i)
            for(int j = i; j < n; ++j)
                if(s[i] == s[j])
                    isPal[i][j] = !(i + 1 < j) || isPal[i + 1][j - 1];

        // 2、创建并填写 dp 表
        vector<int> dp(n, INT_MAX);
        for(int i = 0; i < n; ++i)
        {
            if(isPal[0][i])
            {
                dp[i] = 0;
            }
            else
            {
                for(int j = 1; j <= i; ++j)
                {
                    if(isPal[j][i]) dp[i] = min(dp[i], dp[j-1] + 1);
                }
            }
        }
        // 3、返回值
        return dp[n - 1];  
    }
};
/*
- 时间复杂度：O(n^2)
- 空间复杂度：O(n^2)
*/

---

5. 最长回文子序列

---

算法原理

1. 状态表示
   
2. 状态转移方程
   
3. 初始化
   
4. 填表顺序：从上往下填每一行，每一行再从左往右填写
5. 返回值：dp[0][n - 1]

代码编写

class Solution 
{
public:
    int longestPalindromeSubseq(string s) 
    {
        // 1、建表
        int n = s.size();
        vector<vector<int>> dp(n, vector<int>(n));
        // 2、填表
        for(int i = n - 1; i >= 0; --i)
            for(int j = i; j < n; ++j)
            {
                if(s[i] == s[j]) 
                    dp[i][j] = i + 1 >= j ? (j - i + 1) : dp[i + 1][j - 1] + 2;
                else
                    dp[i][j] = max(dp[i][j - 1], dp[i + 1][j]);
            }
        // 3、返回值
        return dp[0][n - 1];
    }
};

---

6. 让字符串成为回文串的最少插入次数

---

算法原理

• 状态表示
  
• 状态转移方程
  
• 初始化
  
• 填表顺序
  
• 返回值：dp[0][n-1]

代码编写

class Solution 
{
public:
    int minInsertions(string s) 
    {
        // 1、建表
        int n = s.size();
        vector<vector<int>> dp(n, vector<int>(n));
        // 2、填表
        for(int i = n - 1; i >= 0; --i)
            for(int j = i + 1; j < n; ++j)
                if(s[i] == s[j]) dp[i][j] = dp[i+1][j-1];
                else dp[i][j] = min(dp[i+1][j], dp[i][j-1]) + 1;
        // 3、返回值
        return dp[0][n-1];
    }
};
/*
- 时间复杂度：O(n^2)
- 空间复杂度：O(n^2)
*/

七. 双数组 dp 问题

---

1. 最长公共子序列

---

算法原理

• 状态表示
  

• 状态转移方程
  

• 初始化
  

• 填表顺序
  

• 返回值
  

代码编写

class Solution 
{
public:
    int longestCommonSubsequence(string s1, string s2) 
    {
        // 1、建表 
        int m = s1.size(), n = s2.size();
        vector<vector<int>> dp(m + 1, vector<int>(n + 1));
        // 2、初始化
        s1 = ' ' + s1;
        s2 = ' ' + s2;
        // 3、填表
        for(int i = 1; i <= m; ++i)
            for(int j = 1; j <= n; ++j)
                if(s1[i] == s2[j]) dp[i][j] = dp[i - 1][j - 1] + 1;
                else dp[i][j] = max(dp[i - 1][j], dp[i][j - 1]);
        // 3、返回值
            return dp[m][n];
    }
};
/*
- 时间复杂度：O(n^2)
- 空间复杂度：O(n^2)
*/

---

2. 不相交的线

---

算法原理

• 状态表示
  

• 状态转移方程
  

• 初始化
  

• 填表顺序

• 返回值
  

代码编写

class Solution 
{
public:
    int maxUncrossedLines(vector<int>& nums1, vector<int>& nums2) 
    {
        // 1、建表
        int m = nums1.size(), n = nums2.size();
        vector<vector<int>> dp(m + 1, vector<int>(n + 1));
        // 2、初始化
        nums1.insert(nums1.begin(), 0);
        nums2.insert(nums2.begin(), 0);
        // 3、填表
        for(int i = 1; i <= m; ++i)
            for(int j = 1; j <= n; ++j)
                if(nums1[i] == nums2[j]) dp[i][j] = dp[i - 1][j - 1] + 1;
                else dp[i][j] = max(dp[i - 1][j], dp[i][j - 1]);
        // 4、返回值
        return dp[m][n];
    }
};
/*
- 时间复杂度：O(n^2)
- 空间复杂度：O(n^2)
*/

---

3. 不同的子序列

---

算法原理

• 状态表示
  

• 状态转移方程
  

• 初始化
  

• 填表顺序
  

• 返回值：dp[m][n]，其中 m 为 t 字符串的长度，n 为 s 字符串的长度

代码编写

class Solution 
{
public:
    int numDistinct(string s, string t) 
    {
        // 1、建表
        int m = t.size(), n = s.size();
        vector<vector<long long>> dp(m + 1, vector<long long>(n + 1));
        // 2、初始化
        s = ' ' + s;
        t = ' ' + t;
        for(int j = 0; j <= n; ++j) dp[0][j] = 1;
        // 3、填表
        for(int i = 1; i <= m; ++i)
            for(int j = 1; j <= n; ++j)
                if(t[i] == s[j]) 
                    dp[i][j] = (dp[i][j - 1] + dp[i - 1][j - 1]) % (10000000000 + 7);
                else
                    dp[i][j] = dp[i][j - 1] % (10000000000 + 7);
        // 4、返回值
        return dp[m][n];
    }
};
/*
- 时间复杂度：O(mn)
- 空间复杂度：O(mn)
*/

---

4. 通配符匹配

---

算法原理

• 状态表示
  

• 状态转移方程
  

• 初始化
  

• 填表顺序
  

• 返回值：dp[m][n]，其中m为字符串s的长度，n为字符串p的长度

代码编写

class Solution 
{
public:
    bool isMatch(string s, string p) 
    {
        // 1、建表
        int m = s.size(), n = p.size();
        vector<vector<bool>> dp(m + 1, vector<bool>(n + 1));
        // 2、初始化
        s = ' ' + s;
        p = ' ' + p;

        for(int j = 0; j <= n; ++j)
        {
            if(j == 0) 
                dp[0][j] = true;
            else
                if(p[j] == '*' && dp[0][j - 1] == true) dp[0][j] = true;
        }
        // 3、填表
        for(int i = 1; i <= m; ++i)
        {
            for(int j = 1; j <= n; ++j)
            {
                if(p[j] == '*') // p[j] == '*'
                    dp[i][j] = dp[i - 1][j] || dp[i][j - 1];
                else // p[j] == '?' 或 普通字符
                    if((p[j] == '?' || s[i] == p[j]) && dp[i - 1][j - 1])
                        dp[i][j] = true;
            }
        }
        //  4、返回值
        return dp[m][n];
    }
};
/*
- 时间复杂度：O(mn)
- 空间复杂度：O(mn)
*/

---

5. 正则表达式匹配

---

算法原理

1. 状态表示
   

2. 状态转移方程
   

3. 初始化
   

4. 填表顺序
   

5. 返回值：dp[m][n]，m为s字符串的长度，n为p字符串的长度

代码编写

class Solution 
{
public:
    bool isMatch(string s, string p) 
    {
        // 1、建表
        int m = s.size(), n = p.size();
        vector<vector<bool>> dp(m + 1, vector<bool>(n + 1));

        // 2、初始化
        s = ' ' + s;
        p = ' ' + p;
        dp[0][0] = true;
        for(int j = 2; j <= n; j += 2) 
            if(p[j] == '*') dp[0][j] = true;
            else break;

        // 3、填表
        for(int i = 1; i <= m; ++i)
            for(int j = 1; j <= n; ++j)
                if(p[j] == '*') 
                    dp[i][j] = dp[i][j-2] || (p[j-1] == s[i] || p[j-1] == '.') && dp[i-1][j];
                else
                    dp[i][j] = (p[j] == s[i] || p[j] == '.') && dp[i-1][j-1];

        // 4、返回值
        return dp[m][n];
    }
};
/*
- 时间复杂度：O(mn)
- 空间复杂度：O(mn)
*/

---

6. 交错字符串

---

算法原理

1. 预处理
   

2. 状态表示
   

3. 状态转移方程
   

4. 初始化
   

5. 填表顺序
   

6. 返回值：dp[m][n]，其中 m 为 s1 的长度，n 为 s2 的长度

代码编写

class Solution 
{
public:
    bool isInterleave(string s1, string s2, string s3) 
    {
        // 1、建表
        int m = s1.size(), n = s2.size();
        if(m + n != s3.size()) return false;
        vector<vector<bool>> dp(m + 1, vector<bool>(n + 1));

        // 2、初始化
        s1 = ' ' + s1;
        s2 = ' ' + s2;
        s3 = ' ' + s3;

        dp[0][0] = true;
        for(int i = 1; i <= m; ++i) // 初始化第一行
            if(s1[i] == s3[i]) dp[i][0] = true;
            else break;
        for(int j = 1; j <= n; ++j) // 初始化第一列
            if(s2[j] == s3[j]) dp[0][j] = true;
            else break;

        // 3、填表
        for(int i = 1; i <= m; ++i)
            for(int j = 1; j <= n; ++j)
                dp[i][j] = (s1[i] == s3[i+j] && dp[i-1][j]) 
                         ||(s2[j] == s3[i+j] && dp[i][j-1]);

        // 4、返回值
        return dp[m][n];
    }
};
/*
- 时间复杂度：O(mn)
- 空间复杂度：O(mn)
*/

---

7. 两个字符串的最小ASCII删除和

---

算法原理

• 分析：题目要求我们计算让两个子序列相同时，所需删除字符的 ASCll 最小和既然要删除的字符之和最小，那么留下的子序列之和就是最大，所以可以使用“正难则反”的思想，去计算两个字符串中所有公共子序列里面，ASCll 值最大的公共子序列是那个。

• 状态表示
  

• 状态转移方程
  

• 初始化
  

• 填表顺序
  

• 返回值
  

代码编写

class Solution 
{
public:
    int minimumDeleteSum(string s1, string s2) 
    {
        // 1、建表
        int m = s1.size(), n = s2.size();
        vector<vector<int>> dp(m + 1, vector<int>(n + 1));
        // 2、初始化
        s1 = ' ' + s1;
        s2 = ' ' + s2;
        // 3、填表
        for(int i = 1; i <= m; ++i)
            for(int j = 1; j <= n; ++j)
            {
                int x1 = (s1[i] == s2[j] ? dp[i-1][j-1] + s1[i] : 0);
                int x2 = dp[i][j - 1];
                int x3 = dp[i - 1][j];
                dp[i][j] = max(max(x2, x3), x1);
            }
        // 4、返回值
        int sum = 0;
        // 计算总和时不要把两个字符串最开头的空格给算进去
        for(int i = 1; i <= m; ++i) sum += s1[i];
        for(int j = 1; j <= n; ++j) sum += s2[j];
        return sum - 2 * dp[m][n];
    }
};
/*
- 时间复杂度：O(mn)
- 空间复杂度：O(mn)
*/

---

8. 最长重复子数组

---

算法原理

• 状态表示
  

• 状态转移方程
  

• 初始化
  

• 填表顺序
  

• 返回值：dp 表中的最大值

八. 背包问题

1.【扫盲】什么是背包问题？

---

2.【模板】01背包

---

题目解析

算法原理

代码编写

#include <iostream>
#include <algorithm>
#include <vector>
using namespace std;

int main()
{
    // 1、数据输入
    int n = 0; // 物品个数
    int V = 0; // 背包容量
    cin >> n >> V;
    // n 个物品的体积和价值表，其中第0个位置表示一个虚拟物品
    // 它的体积和价值都为0，设置它的目的是为了下标和dp表对应
    vector<int> v(n + 1), w(n + 1); 

    for(int i = 1; i <= n; ++i)
        cin >> v[i] >> w[i];

    // 2、创建 dp 表
    vector<vector<int>> dp(n + 1, vector<int>(V + 1));

    // 3、解决第一问
    for(int i = 1; i <= n; ++i)
        for(int j = 1; j <= V; ++j)
        {
            dp[i][j] = dp[i - 1][j];
            if(j - v[i] >= 0) dp[i][j] = max(dp[i][j], w[i] + dp[i - 1][j - v[i]]);
        }    
    cout << dp[n][V] << endl;

    // 4、解决第二问
    for(int j = 1; j <= V; ++j) dp[0][j] = -1;

    for(int i = 1; i <= n; ++i)
        for(int j = 1; j <= V; ++j)
        {
            dp[i][j] = dp[i - 1][j];
            if(j - v[i] >= 0 && dp[i - 1][j - v[i]] != -1) dp[i][j] = max(dp[i][j], w[i] + dp[i - 1][j - v[i]]);
        }
    cout << (dp[n][V] == -1 ? 0 : dp[n][V]) << endl;

    return 0;
}
/*
- 时间复杂度：O(nV)
- 空间复杂度：O(nV)
*/

优化

优化后代码如下：

#include <iostream>
#include <algorithm>
#include <vector>
using namespace std;

int main()
{
    // 1、数据输入
    int n = 0; // 物品个数
    int V = 0; // 背包容量
    cin >> n >> V;
    // n 个物品的体积和价值表，其中第0个位置表示一个虚拟物品
    // 它的体积和价值都为0，设置它的目的是为了下标和dp表对应
    vector<int> v(n + 1), w(n + 1); 

    for(int i = 1; i <= n; ++i)
        cin >> v[i] >> w[i];

    // 2、创建 dp 表
    vector<int> dp(V + 1);

    // 3、解决第一问
    for(int i = 1; i <= n; ++i)
        for(int j = V; j - v[i] >= 0; --j)
            dp[j] = max(dp[j], w[i] + dp[j - v[i]]);
    cout << dp[V] << endl;

    // 4、解决第二问
    for(int j = 1; j <= V; ++j) dp[j] = -1;

    for(int i = 1; i <= n; ++i)
        for(int j = V; j - v[i] >= 0; --j)
        {
            if(dp[j - v[i]] != -1) dp[j] = max(dp[j], w[i] + dp[j - v[i]]);
        }
    cout << (dp[V] == -1 ? 0 : dp[V]) << endl;

    return 0;
}
/*
- 时间复杂度：O(nV)
- 空间复杂度：O(V)
*/

---

分割等和子集

---

算法原理

代码编写

class Solution 
{
public:
    bool canPartition(vector<int>& nums) 
    {
        // 1、建表
        int n = nums.size(), sum = 0;
        for(const auto e : nums) sum += e; // 计算所有数字之和
        if(sum % 2) return false; // 如果数组之和为奇数，则不可能分割成两个等和子集
        vector<vector<bool>> dp(n + 1, vector<bool>(sum/2 + 1)); // 创建 dp 表

        // 2、初始化
        for(int i = 0; i <= n; ++i) dp[i][0] = true;

        // 3、填表（注意 dp 表下标和 nums 表下标的映射关系）
        for(int i = 1; i <= n; ++i)
            for(int j = 1; j <= sum/2; ++j)
            {
                dp[i][j] = dp[i - 1][j];
                if(j - nums[i - 1] >= 0) dp[i][j] = dp[i][j] || dp[i-1][j - nums[i - 1]];
            }

        // 4、返回值
        return dp[n][sum/2];
    }
};
/*
- 时间复杂度：O(n*sum)
- 空间复杂度：O(n*sum)
*/


// 空间优化版本
//   1. 删除横坐标
//   2. 修改纵坐标遍历顺序
class Solution 
{
public:
    bool canPartition(vector<int>& nums) 
    {
        // 1、建表
        int n = nums.size(), sum = 0;
        for(const auto e : nums) sum += e; // 计算所有数字之和
        if(sum % 2) return false; // 如果数组之和为奇数，则不可能分割成两个等和子集
        vector<bool> dp(sum/2 + 1); // 创建 dp 表

        // 2、初始化
        dp[0] = true;

        // 3、填表（注意 dp 表下标和 nums 表下标的映射关系）
        for(int i = 1; i <= n; ++i)
            for(int j = sum/2; j >= nums[i - 1]; --j)
                dp[j] = dp[j] || dp[j - nums[i - 1]];

        // 4、返回值
        return dp[sum/2];
    }
};
/*
- 时间复杂度：O(n*sum)
- 空间复杂度：O(sum)
*/

---

目标和

---

算法原理

代码编写

// 未优化版本
class Solution 
{
public:
    int findTargetSumWays(vector<int>& nums, int target) 
    {
        // 0、预处理
        int n = nums.size(), sum = 0;
        for(const auto e : nums) sum += e;
        int aim = (sum + target) / 2;

        if(aim < 0 || (sum + target) % 2) return 0;

        // 1、建表
        vector<vector<int>> dp(n + 1, vector<int>(aim + 1));

        // 2、初始化
        dp[0][0] = 1;

        // 3、填表
        for(int i = 1; i <= n; ++i)
            for(int j = 0; j <= aim; ++j)
            {
                dp[i][j] = dp[i - 1][j];
                if(j >= nums[i - 1]) dp[i][j] += dp[i - 1][j - nums[i - 1]];
            }

        // 4、返回值
        return dp[n][aim];
    }
};
/*
- 时间复杂度：O(n * (sum + target))
- 空间复杂度：O(n * (sum + target))
*/

// 空间优化版本
//  1、删除横坐标
//  2、修改纵坐标的遍历顺序
class Solution 
{
public:
    int findTargetSumWays(vector<int>& nums, int target) 
    {
        // 0、预处理
        int n = nums.size(), sum = 0;
        for(const auto e : nums) sum += e;
        int aim = (sum + target) / 2;

        if(aim < 0 || (sum + target) % 2) return 0;

        // 1、建表
        vector<int> dp(aim + 1);

        // 2、初始化
        dp[0] = 1;

        // 3、填表
        for(int i = 1; i <= n; ++i)
            for(int j = aim; j >= nums[i - 1]; --j)
                dp[j] += dp[j - nums[i - 1]];

        // 4、返回值
        return dp[aim];
    }
};
/*
- 时间复杂度：O(n * (sum + target))
- 空间复杂度：O(sum + target)
*/

---

最后一块石头的重量 II

---

代码编写

// 未优化版本
class Solution 
{
public:
    int lastStoneWeightII(vector<int>& stones) 
    {
        // 0、预处理
        int sum = 0;
        for(const auto e : stones) sum += e;
        int n = stones.size(), half = sum / 2;

        // 1、建表 && 初始化
        vector<vector<int>> dp(n + 1, vector<int>(half + 1));

        // 2、填表
        for(int i = 1; i <= n; ++i)
            for(int j = 0; j <= half; ++j)
            {
                dp[i][j] = dp[i - 1][j];
                if(j >= stones[i - 1]) dp[i][j] = max(dp[i][j], dp[i - 1][j - stones[i - 1]] + stones[i - 1]);
            }

        // 3、返回值
        return sum - 2 * dp[n][half];
    }
};
/*
- 时间复杂度：O(n * sum)
- 空间复杂度：O(n * sum)
*/

//------------------------------------------------

// 空间优化版本
//  - 删除 dp 表中的横坐标
//  - 修改纵坐标遍历顺序
class Solution 
{
public:
    int lastStoneWeightII(vector<int>& stones) 
    {
        // 0、预处理
        int sum = 0;
        for(const auto e : stones) sum += e;
        int n = stones.size(), half = sum / 2;

        // 1、建表 && 初始化
        vector<int> dp(half + 1);

        // 2、填表
        for(int i = 1; i <= n; ++i)
            for(int j = half; j >= stones[i - 1]; --j)
                dp[j] = max(dp[j], dp[j - stones[i - 1]] + stones[i - 1]);

        // 3、返回值
        return sum - 2 * dp[half];
    }
};
/*
- 时间复杂度：O(n * sum)
- 空间复杂度：O(sum)
*/

---

3.【模板】完全背包

---

---

算法原理（第一问）

---

算法原理（第二问）

---

优化

---

代码编写

#include <vector>
#include <iostream>
#include <algorithm>
using namespace std;

int main()
{
    // 1、初始化
    int n = 0, V = 0;
    cin >> n >> V;
    // n 个物品的体积和价值表，其中第 0 个位置仅仅用来占位
    vector<int> v(n + 1), w(n + 1);
    for(int i = 1; i <= n; ++i) cin >> v[i] >> w[i];
    // 2、建表
    vector< vector<int> > dp(n + 1, vector<int>(V + 1));
    // 解决第一问
    for(int i = 1; i <= n; ++i)
        for(int j = 0; j <= V; ++j)
        {
            dp[i][j] = dp[i-1][j];
            if(j >= v[i]) dp[i][j] = max(dp[i][j], dp[i][j-v[i]] + w[i]);
        }
    cout << dp[n][V] << endl;
    // 解决第二问
    for(int j = 1; j <= V; ++j) dp[0][j] = -1; 
    for(int i = 1; i <= n; ++i)
        for(int j = 0; j <= V; ++j)
        {
            dp[i][j] = dp[i-1][j];
            if(j >= v[i] && dp[i][j-v[i]] != -1) dp[i][j] = max(dp[i][j], dp[i][j-v[i]] + w[i]);
        }
    cout << (dp[n][V] == -1 ? 0 : dp[n][V]) << endl;
    return 0;
}
/*
- 时间复杂度：O(nV)
- 空间复杂度：O(nV)
*/

//---------------------------------------------------------------

// 空间优化版本
//   1. 删除横坐标
//   2. 纵坐标从左往右遍历
int main()
{
    // 1、初始化
    int n = 0, V = 0;
    cin >> n >> V;
    // n 个物品的体积和价值表，其中第 0 个位置仅仅用来占位
    vector<int> v(n + 1), w(n + 1);
    for(int i = 1; i <= n; ++i) cin >> v[i] >> w[i];
    // 2、建表
    vector<int> dp(V + 1);
    // 解决第一问
    for(int i = 1; i <= n; ++i)
        for(int j = v[i]; j <= V; ++j)
            dp[j] = max(dp[j], dp[j-v[i]] + w[i]);
    cout << dp[V] << endl;
    //解决第二问
    for(int j = 1; j <= V; ++j) dp[j] = -1; // 继续优化：dp[j] = -0x3f3f3f3f
    for(int i = 1; i <= n; ++i)
        for(int j = v[i]; j <= V; ++j)
            // 或者如果用一个非常小的数（例如 -0x3f3f3f3f）代表背包装不满的情况，那么下面的语句就可以不用判断了
            // 直接 dp[j] = max(dp[j], dp[j-v[i]] + w[i]);
            if(dp[j-v[i]] != -1) dp[j] = max(dp[j], dp[j-v[i]] + w[i]);
    cout << (dp[V] == -1 ? 0 : dp[V]) << endl;// 对于上面，修改为 cout << (dp[V] < 0 ? 0 : dp[V]) << endl;

    return 0;
}
/*
- 时间复杂度：O(nV)
- 空间复杂度：O(V)
*/

---

零钱兑换

---

---

算法原理

---

代码编写

// 未优化版本
class Solution 
{
public:
    const int INF = 0x3f3f3f3f;
    int coinChange(vector<int>& coins, int amount) 
    {
        // 1、建表
        int n = coins.size();
        vector<vector<int>> dp(n + 1, vector<int>(amount + 1));
        // 2、初始化
        for(int j = 1; j <= amount; ++j) dp[0][j] = INF;
        // 3、填表
        for(int i = 1; i <= n; ++i)
            for(int j = 0; j <= amount; ++j)
            {
                dp[i][j] = dp[i - 1][j];
                if(j >= coins[i-1] && dp[i][j - coins[i-1]] != INF) dp[i][j] = min(dp[i][j], dp[i][j - coins[i-1]] + 1);
            }
        // 4、返回值
        return dp[n][amount] == INF ? -1 : dp[n][amount];
    }
};
/*
- 时间复杂度：O(n * amount)
- 空间复杂度：O(n * amount)
*/

// -----------------------------------------------------------

// 优化版本
// 1、删除 dp 中的横坐标
// 2、纵坐标从左往右的顺序遍历
class Solution 
{
public:
    const int INF = 0x3f3f3f3f;
    int coinChange(vector<int>& coins, int amount) 
    {
        // 1、建表
        int n = coins.size();
        vector<int> dp(amount + 1, INF);
        // 2、初始化
        dp[0] = 0;
        // 3、填表
        for(int i = 1; i <= n; ++i)
            for(int j = coins[i-1]; j <= amount; ++j)
                dp[j] = min(dp[j], dp[j - coins[i-1]] + 1);
        // 4、返回值
        return dp[amount] == INF ? -1 : dp[amount];
    }
};
/*
- 时间复杂度：O(n * amount)
- 空间复杂度：O(amount)
*/

---

零钱兑换II

---

---

算法原理

---

代码编写

// 未优化版本
class Solution 
{
public:
    int change(int amount, vector<int>& coins) 
    {
        // 1、建表
        int n = coins.size();
        vector< vector<int> > dp(n + 1, vector<int>(amount + 1));
        // 2、初始化
        dp[0][0] = 1;
        // 3、填表
        for(int i = 1; i <= n; ++i)
            for(int j = 0; j <= amount; ++j)
            {
                dp[i][j] = dp[i - 1][j];
                if(j >= coins[i - 1]) dp[i][j] += dp[i][j - coins[i - 1]];
            }
        // 4、返回值
        return dp[n][amount];
    }
};
/*
- 时间复杂度：O(n * amount)
- 空间复杂度：O(n * amount)
*/

// -----------------------------------------------------------------------------

// 利用滚动数组进行空间优化
// 1、删除 dp 表的横坐标
// 2、纵坐标从左往右遍历
class Solution 
{
public:
    int change(int amount, vector<int>& coins) 
    {
        // 1、建表
        int n = coins.size();
        vector<int> dp(amount + 1);
        // 2、初始化
        dp[0] = 1;
        // 3、填表
        for(const auto e : coins)
            for(int j = e; j <= amount; ++j)
                dp[j] += dp[j - e];
        // 4、返回值
        return dp[amount];
    }
};
/*
- 时间复杂度：O(n * amount)
- 空间复杂度：O(amount)
*/

4. 二维费用的背包问题

---

一和零

---

题目解析

---

算法原理

代码编写

// 未优化版本
class Solution 
{
public:
    int findMaxForm(vector<string>& strs, int m, int n) 
    {
        // 1、建表 && 初始化
        int len = strs.size();
        vector<vector<vector<int>>> dp(len + 1, vector<vector<int>>(m + 1, vector<int>(n + 1)));

        // 2、填表
        for(int i = 1; i <= len; ++i)
        {
            // 计算 strs[i] 中，'0' 和 '1' 的个数
            int a = 0, b = 0;
            for(const auto e : strs[i - 1]) 
            {
                if(e == '0') ++a;
                else ++b;
            }
            // 继续遍历其它维度
            for(int j = 0; j <= m; ++j)
                for(int k = 0; k <= n; ++k)
                {
                    dp[i][j][k] = dp[i-1][j][k];
                    if(j >= a && k >= b) dp[i][j][k] = max(dp[i][j][k], dp[i-1][j-a][k-b] + 1);
                }
        }
        // 3、返回值
        return dp[len][m][n];
    }
};
/*
- 时间复杂度：O(len * m * n)
- 空间复杂度：O(len * m * n)
*/

// ----------------------------

// 利用滚动数组进行空间优化
// 1、删除 dp 表的横坐标
// 2、修改 j 和 k 维度的遍历顺序（改为从大到小）
class Solution 
{
public:
    int findMaxForm(vector<string>& strs, int m, int n) 
    {
        // 1、建表 && 初始化
        int len = strs.size();
        vector<vector<int>> dp(m + 1, vector<int>(n + 1));

        // 2、填表
        for(int i = 0; i < len; ++i)
        {
            // 计算 strs[i] 中，'0' 和 '1' 的个数
            int a = 0, b = 0;
            for(const auto e : strs[i]) 
            {
                if(e == '0') ++a;
                else ++b;
            }
            // 继续遍历其它维度
            for(int j = m; j >= a; --j)
                for(int k = n; k >= b; --k)
                    dp[j][k] = max(dp[j][k], dp[j-a][k-b] + 1);
        }
        // 3、返回值
        return dp[m][n];
    }
};
/*
- 时间复杂度：O(len * m * n)
- 空间复杂度：O(len * m * n)
*/

// ----------------------------

// 利用滚动数组进行空间优化
// 1、删除 dp 表的横坐标
// 2、修改 j 和 k 维度的遍历顺序（改为从大到小）
class Solution 
{
public:
    int findMaxForm(vector<string>& strs, int m, int n) 
    {
        // 1、建表 && 初始化
        int len = strs.size();
        vector<vector<int>> dp(m + 1, vector<int>(n + 1));

        // 2、填表
        for(int i = 0; i < len; ++i)
        {
            // 计算 strs[i] 中，'0' 和 '1' 的个数
            int a = 0, b = 0;
            for(const auto e : strs[i]) 
            {
                if(e == '0') ++a;
                else ++b;
            }
            // 继续遍历其它维度
            for(int j = m; j >= a; --j)
                for(int k = n; k >= b; --k)
                    dp[j][k] = max(dp[j][k], dp[j-a][k-b] + 1);
        }
        // 3、返回值
        return dp[m][n];
    }
};
/*
- 时间复杂度：O(len * m * n)
- 空间复杂度：O(m * n)
*/

---

盈利计划

---

题目解析

算法原理

代码编写

// 未优化版本
class Solution 
{
public:
    int profitableSchemes(int n, int minProfit, vector<int>& group, vector<int>& profit) 
    {
        // 1、建表
        int len = group.size();
        vector<vector<vector<int>>> dp(len + 1, vector<vector<int>>(n + 1, vector<int>(minProfit + 1)));
        // 2、初始化
        for(int j = 0; j <= n; ++j) dp[0][j][0] = 1;
        // 3、填表
        for(int i = 1; i <= len; ++i)
            for(int j = 0; j <= n; ++j)
                for(int k = 0; k <= minProfit; ++k)
                {
                    dp[i][j][k] = dp[i - 1][j][k];
                    if(j >= group[i - 1]) dp[i][j][k] += dp[i - 1][j - group[i - 1]][max(0, k - profit[i - 1])]; 
                    dp[i][j][k] %= (int)(1e9 + 7);
                }
        // 4、返回值
        return dp[len][n][minProfit];
    }
};
/*
- 时间复杂度：O(len * n * profit)
- 空间复杂度：O(len * n * profit)
*/

// ---------------------

// 利用滚动数组进行空间优化
// 1、删除 dp 表的横坐标
// 2、修改 j 和 k 维度的遍历顺序（改为从大到小）
class Solution 
{
public:
    int profitableSchemes(int n, int minProfit, vector<int>& group, vector<int>& profit) 
    {
        int len = group.size();
        // 1、建表
        vector<vector<int>> dp(n + 1, vector<int>(minProfit + 1));
        for(int j = 0; j <= n; ++j) dp[j][0] = 1;
        // 2、填表
        for(int i = 0; i < len; ++i)
            for(int j = n; j >= group[i]; --j)
                for(int k = minProfit; k >= 0; --k)
                {
                    dp[j][k] += dp[j - group[i]][max(0, k - profit[i])]; 
                    dp[j][k] %= (int)(1e9 + 7);
                }
        // 3、返回值
        return dp[n][minProfit];
    }
};
/*
- 时间复杂度：O(len * n * profit)
- 空间复杂度：O(n * profit)
*/

---

5. 似包非包问题 - 组合总和IV

---

题目解析

算法原理

代码编写

// 未优化版本
class Solution 
{
public:
    int profitableSchemes(int n, int minProfit, vector<int>& group, vector<int>& profit) 
    {
        // 1、建表
        int len = group.size();
        vector<vector<vector<int>>> dp(len + 1, vector<vector<int>>(n + 1, vector<int>(minProfit + 1)));
        // 2、初始化
        for(int j = 0; j <= n; ++j) dp[0][j][0] = 1;
        // 3、填表
        for(int i = 1; i <= len; ++i)
            for(int j = 0; j <= n; ++j)
                for(int k = 0; k <= minProfit; ++k)
                {
                    dp[i][j][k] = dp[i - 1][j][k];
                    if(j >= group[i - 1]) dp[i][j][k] += dp[i - 1][j - group[i - 1]][max(0, k - profit[i - 1])]; 
                    dp[i][j][k] %= (int)(1e9 + 7);
                }
        // 4、返回值
        return dp[len][n][minProfit];
    }
};
/*
- 时间复杂度：O(len * n * profit)
- 空间复杂度：O(len * n * profit)
*/

// ---------------------

// 利用滚动数组进行空间优化
// 1、删除 dp 表的横坐标
// 2、修改 j 和 k 维度的遍历顺序（改为从大到小）
class Solution 
{
public:
    int profitableSchemes(int n, int minProfit, vector<int>& group, vector<int>& profit) 
    {
        int len = group.size();
        // 1、建表
        vector<vector<int>> dp(n + 1, vector<int>(minProfit + 1));
        for(int j = 0; j <= n; ++j) dp[j][0] = 1;
        // 2、填表
        for(int i = 0; i < len; ++i)
            for(int j = n; j >= group[i]; --j)
                for(int k = minProfit; k >= 0; --k)
                {
                    dp[j][k] += dp[j - group[i]][max(0, k - profit[i])]; 
                    dp[j][k] %= (int)(1e9 + 7);
                }
        // 3、返回值
        return dp[n][minProfit];
    }
};
/*
- 时间复杂度：O(len * n * profit)
- 空间复杂度：O(n * profit)
*/

---

6. 卡特兰数 - 不同的二叉搜索树

---

算法原理

代码编写

class Solution 
{
public:
    int numTrees(int n) 
    {
        // 1、建表
        vector<int> dp(n + 1);
        // 2、初始化
        dp[0] = 1;
        // 3、填表
        for(int i = 1; i <= n; ++i) // i 代表节点数量
            for(int j = 1; j <= i; ++j)// j 代表根节点
                dp[i] += dp[j-1] * dp[i-j];
        // 4、返回值
        return dp[n];
    }
};
/*
- 时间复杂度：O(n^2)
- 空间复杂度：O(n^2)
*/