动态规划的一些思考和总结

学习《labuladong的算法秘籍》中的动态规划部分产生的一些思考和总结

一、核心原理

刷过一些题后，感觉动态规划最核心的就是 dp 数组 + 状态转移方程

【dp数组】是为了避免重复计算而带来的高复杂度

【状态转移方程】是为了将问题进行分解成更加简单的子结构

动态规划的核心思想就是：

1、自底向上（迭代）：从最简子结构开始，不断向上计算，在计算过程中将对应子结构的值存在 dp数组 中，使得更复杂结构的问题在分解后可以直接找到答案。

2、自顶向下（递归） ：从当前问题规模出发，通过递归不断分解问题直至 base case，计算出base case后，再从最深的递归函数开始不断返回，向上计算，最后求解出问题的答案。

要写出动态规划的解法，最重要的就是写出 状态转移方程。有了状态转移方程，就知道需要保存什么值，就可以推出dp数组的定义。

首先要明确 状态。这个状态是会影响问题规模的量。比如在背包问题中，很明显问题的规模主要和 物品的数量 以及 背包的容量 相关。因为如果这两个量的值很小，那么问题就会很简单，反之就会很复杂。

明确状态之后，就要寻找如何转移。转移的目的是降低问题的规模（通过改变状态）。那么在背包问题中，我们要求解的是 在当前给定数量(N)的物品 和 给定容量(W)的背包的前提下的某个问题，我们用 f(N, W)来表示。

我们想要找出来的是 f(N,W) 能够用某些更小规模的问题来表示（可以理解为数列中的递推公式），例如 f(N,W) = f(N-1,W) + f(N, W-1)

最后要去找到base case的值，例如f(0,W)或者f(N,0)，因为所以的状态转移都是建立在base case的基础上的。

二、经典动态规划问题

这里主要谈两类问题，主要是按照状态转移方程的类型来分。

1、单参数

【300.最长递增子序列】

【53.最大子序和】

它们的状态转移方程都只有一个参数（dp数组都是一维的）

【300.最长递增子序列】中可以将 元素个数作为状态 即可写出状态转移方程：f(i) = max(f(i), f(j)+1) j = [i+1, ... n-1]（具体一点，i表示前i个元素或者后i个元素，这里的状态转移方程用的后i个元素）

那么核心部分的代码也就很好写了

 int[] dp = new int[n];
 Arrays.fill(1);
 for(int i = n-2; i >= 0; i--){
     for(int j = i+1; j < n; j++){
         if(nums[i] > nums[j]) continue;
         dp[i] = Math.max(dp[i], dp);
     }
 }

2、双参数

【1143.最长公共子序列】

【72.编辑距离】

【10.正则表达式匹配】

这一类的问题涉及到两个状态，但本质上还是第一类问题，只是由于字符串/数组变成了两个，所以需要两个参数来记录状态。

以【10.正则表达式状态匹配】为例。存在 一个待匹配的字符串 str 和 一个模板串 pattern，那么状态就有两个： str 的长度和 pattern 的长度，那这个问题的解就可以表示为 f(N, M)

然后就要考虑如何转移状态化简问题的解。我们先任取两个值 i，j，分别表示【只考虑str的前i个字符】以及【只考虑pattern的前j个字符】，这样我们要求解的就是f(str.length(), pattern.length())了。

由于f(i,j)之前的子问题肯定都已经计算好了，所以我们就只要考虑如何减小i、j这两个参数。下面就涉及到问题的细节，在这个问题中，到状态转移到i和j时，考虑pattern的第j个字符是什么？我们分为两种情况：'*'和不是'*'，原因在于'*'是可以匹配多个的，是变化的。

• 如果是'*'：就要看前一个字符是否和str的第i个字符【相同】

  • 不相同：dp[i][j]转移到dp[i][j-2]

  • 相同：就要选择是否要去匹配str的第i个字符

    • 不去匹配：dp[i][j]转移到dp[i][j-2]

    • 要匹配：dp[i][j]转移到dp[i-1][j]

• 如果不是'*'：就看str的第i个字符和pattern的第j个字符是否相同

  • 相同：dp[i][j]转移到dp[i-1][j-1]

  • 不相同：dp[i][j] = false

【完整代码】如下：

public boolean isMatch(String s, String p) {
     int n = s.length();
     int m = p.length();
 ​
     boolean[][] dp = new boolean[n+1][m+1];
     dp[0][0] = true;
     for(int i = 0; i <= n; i++){ // 从0开始是为了看是否能够匹配空串；填上dp数组的最上面一行；就是确定base case
         for(int j = 1; j <= m; j++){
             if(p.charAt(j - 1) == '*'){
                 // 匹配0个
                 dp[i][j] = dp[i][j-2];
                 // 匹配1个
                 if(i == 0) continue;
                 if(s.charAt(i-1) == p.charAt(j-2) || p.charAt(j-2) == '.'){
                     dp[i][j] = dp[i][j] || dp[i-1][j];
                 }
             } else {
                 if(i == 0) continue;
                 if(s.charAt(i-1) == p.charAt(j-1) || p.charAt(j-1) == '.'){
                     dp[i][j] = dp[i-1][j-1];
                 }
             }
         }
     }
     return dp[n][m];
 }

三、背包问题

1、类型

1.1、0-1背包问题

【问题描述】

给定一个可装载重量为W的背包和N个物品，每个物品有重量和价值两个属性，其中第i个物品的重量为wt[i]，价值为val[i]，请问用这个背包最多可以装多少价值的物品？

1.2、完全背包问题

【518.零钱兑换Ⅱ】

给定不同面额的硬币和一个总金额，计算出可以凑成总金额的硬币组合数，假设每一种面额的硬币有无限个。

转换为背包问题，就是

有一个最大容量为 amount 的背包，有一系列物品 coins，物品的重量为 coins[i]，每个物品的数量无限，请问有多少种方法，能够恰好把背包装满？

由于每个物品的数量是无限的，所以被称为【完全背包问题】

1.3、子集背包问题

【416.分割等和子集】

给定一个只包含正整数的非空数组。是否可以将这个数组分割成两个子集，使得这两个子集的元素和相等。

其实类似于0-1背包问题

有一堆物品 nums，物品重量为 nums[i]，物品重量之和为 sum。有一个容量为 sum / 2 的背包，是否存在一种方法能够恰好装满这个背包？

2、分析

由于都可以转换为情景相似的背包问题，所以就可以放在一起分析。

这里我们挑完全背包问题作为例子，【518.零钱兑换Ⅱ】

1. 明确状态：N：前N个硬币；W：总金额

2. 明确转移：需要求解的是 f(N, W)，即给定前N个硬币恰好可以组成W金额的组合数。这么定义了之后，我们就可以很轻易的写出最简单问题的答案：f(0, W) = 0和f(N, 0) = 1

3. 如何转移：对于 f(N,W)，我们考虑第N个硬币P。如果我们在组合过程中不使用P，那么问题就被转化为了 f(N-1,W)。如果我们在组合过程中要使用P，那么问题就被转化为了f(N, W-wt[P])。

4. 所以我们可以得出状态转移方程：f(N,W) = f(N-1,W)+f(N,W-wt[P])

写出状态转移方程之后，我们就可以知道如何定义 dp数组 了。

int[][] dp = new int[][];
 // dp[i][j]: 前i个硬币组合出j金额的种数

我们就可以用dp数组来表示状态转移方程

int[][] dp = new int[][]; // dp[i][j]: 前i个硬币组合出j金额的种数

[3]有一个比较难理解的点，就是为什么使用了P，问题被转化成了f(N, W-wt[P])，而不是f(N-1, W-wt[P])

可能会感觉是 N-1，毕竟第N个硬币已经用过了，但是也可能W-wt[P]金额组合中也用了第N个硬币，所以不能确定硬币数，只能确定金额数。

3、代码和改进

代码

【518.零钱兑换Ⅱ】完整代码如下：

public int change(int amount, int[] coins) {
     int n = coins.length;
     int[][] dp = new int[n+1][amount+1];
     for(int i = 0; i <= n; i++) dp[i][0] = 1;
     // 目标就是求 dp[n][amount]
     for(int i = 1; i <= n; i++){
         for(int j = 1; j <= amount; j++){
             if(j < coins[i-1]){
                 dp[i][j] = dp[i-1][j];
             } else {
                 dp[i][j] = dp[i-1][j] + dp[i][j - coins[i-1]];
             }
         }
     }
     return dp[n][amount];
 }

状态压缩

最后，还要再探讨一下状态压缩问题，即可以使用一维dp数组，使得空间复杂度从O(NW)降为O(W)

这里主要选取【518.零钱兑换Ⅱ】和【416.分割等和子集】两个问题

首先写出它们的状态转移方程

 // 518.零钱兑换Ⅱ
 dp[i][j] = dp[i-1][j] + dp[i][j - coins[i-1]];
 // 416.分割等和子集
 dp[i][j] = dp[i-1][j] + dp[i-1][j - nums[i-1]];

可以发现，dp[i][j]只和dp[i][...]以及dp[i-1][...]有关系。

改成一维数组后

 int[] dp = new int[amount];

在第i轮迭代开始之前，dp数组中的值就等价于之前的 dp[i-1][...]

所以只要控制遍历顺序（正向或逆向），使得在遍历dp[j]时，dp[j-?]的值已经更新（dp[i][j-?]）或者没有更新（dp[i-1][j-?]），即可实现状态的转移。

最后附上使用一维数组解决的代码

注意两段代码的第二层循环，就是通过正向遍历和逆向遍历实现在计算dp[j]时dp[j-?]的已更新和未更新

 // 518.零钱兑换Ⅱ
 public int change(int amount, int[] coins) {
     int n = coins.length;
     int[] dp = new int[amount+1];
     dp[0] = 1;
     // 目标就是求 dp[amount]
     for(int i = 0; i < n; i++){
         for(int j = 1; j <= amount; j++){
             if(j < coins[i]) continue;
             dp[j] = dp[j] + dp[j - coins[i]];
         }
     }
     return dp[amount];
 }

 // 416.分割等和子集
 public boolean canPartition(int[] nums) {
     // 前置判断
     int sum = 0; int n = nums.length;
     if (n == 1) return false;
     for (int i : nums) sum += i;
     if(sum % 2 == 1) return false;
     int target = sum / 2; // 背包中的目标值
 ​
     boolean[] dp = new boolean[target+1];
     dp[0] = true;
     for(int i = 0; i < n; i++){
         for(int j = target; j >= 1; j--){
             if(j < nums[i]) continue;
             dp[j] = dp[j] || dp[j - nums[i]];
         }
     }
     return dp[target];
 }