③ 递推(自底向上)
动态规划中的 “动态” 可以理解为是 “会变化的状态”;
-
① 定义状态(状态是原问题、子问题的解)
比如定义 d p ( i ) dp(i) dp(i) 的含义
-
② 设置初始状态(边界)
比如设置 d p ( 0 ) dp(0) dp(0) 的值
-
③ 确定状态转移方程
比如确定 d p ( i ) dp(i) dp(i) 和 d p ( i − 1 ) dp(i - 1) dp(i−1) 的关系
维基百科的解释:
Dynamic Programming is a method for solving a complex problem by breaking it down into a collection of simpler subproblems, solving each of those subproblems just once, and storing their solutions.
① 将复杂的原问题拆解成若干个简单的子问题
② 每个子问题仅仅解决1次,并保存它们的解
③ 最后推导出原问题的解
可以用动态规划来解决的问题,通常具备2个特点:
-
最优子结构(最优化原理):通过求解子问题的最优解,可以获得原问题的最优解
-
无后效性:
某阶段的状态一旦确定,则此后过程的演变不再受此前各状态及决策的影响(未来与过去无关)
在推导后面阶段的状态时,只关心前面阶段的具体状态值,不关心这个状态是怎么一步步推导出来的
首先了解一下什么是有后效性:
然后再去理解什么是无后效性:
===============================================================================
题目:给定一个长度为 n 的整数序列,求它的最大连续子序列和
-
比如 -2、1、-3、4、-1、2、1、-5、4 的最大连续子序列和是 4 + (-1) + 2 + 1 = 6;
以
nums[0]
-2 结尾的最大连续子序列是 -2,所以 d p ( 0 ) = − 2 dp(0) = -2 dp(0)=−2以
nums[1]
1 结尾的最大连续子序列是 1,所以 d p ( 1 ) = 1 dp(1) = 1 dp(1)=1以
nums[2]
-3 结尾的最大连续子序列是 1、-3,所以 d p ( 2 ) = d p ( 1 ) + ( − 3 ) = − 2 dp(2) = dp(1) + (-3) = -2 dp(2)=dp(1)+(−3)=−2以
nums[3]
4 结尾的最大连续子序列是 4,所以 d p ( 3 ) = 4 dp(3) = 4 dp(3)=4以
nums[4]
-1 结尾的最大连续子序列是 4、-1,所以 d p ( 4 ) = d p ( 3 ) + ( − 1 ) = 3 dp(4) = dp(3) + (-1) = 3 dp(4)=dp(3)+(−1)=3以
nums[5]
2 结尾的最大连续子序列是 4、-1、2,所以 d p ( 5 ) = d p ( 4 ) + 2 = 5 dp(5) = dp(4) + 2 = 5 dp(5)=dp(4)+2=5以
nums[6]
1 结尾的最大连续子序列是 4、-1、2、1,所以 d p ( 6 ) = d p ( 5 ) + 1 = 6 dp(6) = dp(5) + 1 = 6 dp(6)=dp(5)+1=6以
nums[7]
-5 结尾的最大连续子序列是 4、-1、2、1、-5,所以 d p ( 7 ) = d p ( 6 ) + ( − 5 ) = 1 dp(7) = dp(6) + (-5) = 1 dp(7)=dp(6)+(−5)=1以
nums[8]
4 结尾的最大连续子序列是 4、-1、2、1、-5、4,所以 d p ( 8 ) = d p ( 7 ) + 4 = 5 dp(8) = dp(7) + 4 = 5 dp(8)=dp(7)+4=5
状态转移方程和初始状态:
状态转移方程:
-
如果 d p ( i – 1 ) ≤ 0 dp(i – 1) ≤ 0 dp(i–1)≤0,那么 d p ( i ) = n u m s [ i ] dp(i) = nums[i] dp(i)=nums[i]
-
如果 d p ( i – 1 ) > 0 dp(i – 1) > 0 dp(i–1)>0,那么 d p ( i ) = d p ( i – 1 ) + n u m s [ i ] dp(i) = dp(i – 1) + nums[i] dp(i)=dp(i–1)+nums[i]
初始状态:
- d p ( 0 ) dp(0) dp(0) 的值是 n u m s [ 0 ] nums[0] nums[0]
最终的解:
- 最大连续子序列和是所有 d p ( i ) dp(i) dp(i) 中的最大值 m a x { d p ( i ) } , i ∈ [ 0 , n u m s . l e n g t h ) max \{ dp(i) \},i ∈ [0, nums.length) max{dp(i)},i∈[0,nums.length)
static int maxSubArray(int[] nums) {
if (nums == null || nums.length == 0) return 0;
int[] dp = new int[nums.length];
int max = dp[0] = nums[0];
for (int i = 1; i < dp.length; i++) {
if (dp[i - 1] > 0) {
dp[i] = dp[i - 1] + nums[i];
} else {
dp[i] = nums[i];
}
max = Math.max(max, dp[i]);
}
return max;
}
static int maxSubArray(int[] nums) {
if (nums == null || nums.length == 0) return 0;
int dp = nums[0];
int max = dp;
for (int i = 1; i < nums.length; i++) {
if (dp > 0) {
dp = dp + nums[i];
} else {
dp = nums[i];
}
max = Math.max(max, dp);
}
return max;
}
===================================================================================
最长上升子序列(最长递增子序列,Longest Increasing Subsequence,LIS)
leetcode_300_最长上升子序列: https://leetcode-cn.com/problems/longest-increasing-subsequence/
题目:给定一个无序的整数序列,求出它最长上升子序列的长度(要求严格上升)
- 比如 [10, 2, 2, 5, 1, 7, 101, 18] 的最长上升子序列是 [2, 5, 7, 101]、[2, 5, 7, 18],长度是 4
假设数组是 nums, [10, 2, 2, 5, 1, 7, 101, 18]
-
d p ( i ) dp(i) dp(i) 是以 n u m s [ i ] nums[i] nums[i] 结尾的最长上升子序列的长度, i ∈ [ 0 , n u m s . l e n g t h ) i ∈ [0, nums.length) i∈[0,nums.length)
以
nums[0]
10 结尾的最长上升子序列是 10,所以 d p ( 0 ) = 1 dp(0) = 1 dp(0)=1以
nums[1]
2 结尾的最长上升子序列是 2,所以 d p ( 1 ) = 1 dp(1) = 1 dp(1)=1以
nums[2]
2 结尾的最长上升子序列是 2,所以 d p ( 2 ) = 1 dp(2) = 1 dp(2)=1以
nums[3]
5 结尾的最长上升子序列是 2、5,所以 d p ( 3 ) = d p ( 1 ) + 1 = d p ( 2 ) + 1 = 2 dp(3) = dp(1) + 1 = dp(2) + 1 = 2 dp(3)=dp(1)+1=dp(2)+1=2以
nums[4]
1 结尾的最长上升子序列是 1,所以 d p ( 4 ) = 1 dp(4) = 1 dp(4)=1以
nums[5]
7 结尾的最长上升子序列是 2、5、7,所以 d p ( 5 ) = d p ( 3 ) + 1 = 3 dp(5) = dp(3) + 1 = 3 dp(5)=dp(3)+1=3以
nums[6]
101 结尾的最长上升子序列是 2、5、7、101,所以 d p ( 6 ) = d p ( 5 ) + 1 = 4 dp(6) = dp(5) + 1 = 4 dp(6)=dp(5)+1=4以
nums[7]
18 结尾的最长上升子序列是 2、5、7、18,所以 d p ( 7 ) = d p ( 5 ) + 1 = 4 dp(7) = dp(5) + 1 = 4 dp(7)=dp(5)+1=4
状态方程:
状态的初始值:
-
d p ( 0 ) = 1 dp(0) = 1 dp(0)=1
-
所有的 d p ( i ) dp(i) dp(i) 默认都初始化为 1
最终的解:
- 最长上升子序列的长度是所有 d p ( i ) dp(i) dp(i) 中的最大值 m a x { d p ( i ) } , i ∈ [ 0 , n u m s . l e n g t h ) max \{ dp(i) \},i ∈ [0, nums.length) max{dp(i)},i∈[0,nums.length)
时间复杂度:O(n2),空间复杂度:O(n)
static int lengthOfLIS(int[] nums) {
if (nums == null || nums.length == 0) return 0;
int[] dp = new int[nums.length];
int max = dp[0] = 1; // 只有一个元素则长度为1
for (int i = 1; i < dp.length; i++) {
dp[i] = 1; // 默认只有一个元素时长度为1
for (int j = 0; j < i; j++) {
// 无法成为一个上升子序列
if (nums[j] >= nums[i]) continue;
dp[i] = Math.max(dp[j] + 1, dp[i]);
}
max = Math.max(dp[i], max);
}
return max;
}
普通实现(非二分搜索):
static int lengthOfLIS(int[] nums) {
if (nums == null || nums.length == 0) return 0;
// 牌堆的数量
int len = 0;
// 牌顶数组
int[] top = new int[nums.length];
// 遍历所有的牌
for (int num : nums) {
int j = 0;
while (j < len) {
// 找到一个>=nums的牌顶
if (top[j] >= num) {
top[j] = num;
break;
}
// 牌顶 < nums
j++;
}
if (j == len) { // 新建一个牌堆
len++;
top[j] = num;
}
}
return len;
}
二分搜索实现:
static int lengthOfLIS(int[] nums) {
if (nums == null || nums.length == 0) return 0;
// 牌堆的数量
int len = 0;
// 牌顶数组
int[] top = new int[nums.length];
// 遍历所有的牌(二分搜索)
for (int num : nums) {
int begin = 0;
int end = len;
while (begin < end) {
int mid = (begin + end) >> 1;
if (num <= top[mid]) {
end = mid;
} else {
begin = mid + 1;
}
}
// 覆盖牌顶
top[begin] = num;
// 检查是否要新建一个牌堆
if (begin == len) len++;
}
return len;
}
=====================================================================================
最长公共子序列(Longest Common Subsequence,LCS)
leetcode_1143_最长公共子序列:https://leetcode-cn.com/problems/longest-common-subsequence/
题目:求两个序列的最长公共子序列长度
-
[1, 3, 5, 9, 10] 和 [1, 4, 9, 10] 的最长公共子序列是 [1, 9, 10],长度为 3
-
ABCBDAB 和 BDCABA 的最长公共子序列长度是 4,可能是
ABCBDAB 和 BDCABA > BDAB
ABCBDAB 和 BDCABA > BDAB
ABCBDAB 和 BDCABA > BCAB
ABCBDAB 和 BDCABA > BCBA
思路:
-
空间复杂度:O(k) , k = min{n, m},n、m 是 2 个序列的长度
-
时间复杂度:O(2n) ,当 n = m 时
/**
* 递归实现
*/
static int lcs(int[] nums1, int[] nums2) {
if (nums1 == null || nums1.length == 0) return 0; // 检测非法数据
if (nums2 == null || nums2.length == 0) return 0; // 检测非法数据
return lcs(nums1, nums1.length, nums2, nums2.length);
}
/**
* 求nums1前i个元素和nums2前j个元素的最长g公共子序列长度
* @param nums1
* @param i
* @param nums2
* @param j
*/
static int lcs(int[] nums1, int i, int[] nums2, int j) {
if (i == 0 || j == 0) return 0;
// 最后一个元素相等, 返回前面的公共子序列长度 + 1
if (nums1[i - 1] == nums2[j - 1]) {
return lcs(nums1, i - 1, nums2, j - 1) + 1;
}
return Math.max(
lcs(nums1, i - 1, nums2, j),
lcs(nums1, i, nums2, j - 1)
);
}
-
空间复杂度:O(n ∗ m)
-
时间复杂度:O(n ∗ m)
static int lcs(int[] nums1, int[] nums2) {
if (nums1 == null || nums1.length == 0) return 0;
if (nums2 == null || nums2.length == 0) return 0;
int[][] dp = new int[nums1.length + 1][nums2.length + 1];
for (int i = 1; i <= nums1.length; i++) {
for (int j = 1; j <= nums2.length; j++) {
if (nums1[i - 1] == nums2[j - 1]) {
dp[i][j] = dp[i - 1][j - 1] + 1;
} else {
dp[i][j] = Math.max(dp[i - 1][j], dp[i][j - 1]);
}
}
}
return dp[nums1.length][nums2.length];
}
可以使用滚动数组优化空间复杂度。
/**
* 非递归实现(滚动数组优化)
*/
static int lcs(int[] nums1, int[] nums2) {
if (nums1 == null || nums1.length == 0) return 0;
if (nums2 == null || nums2.length == 0) return 0;
int[][] dp = new int[2][nums2.length + 1];
for (int i = 1; i <= nums1.length; i++) {
int row = i & 1;
int prevRow = (i - 1) & 1;
for (int j = 1; j <= nums2.length; j++) {
if (nums1[i - 1] == nums2[j - 1]) {
dp[row][j] = dp[prevRow][j - 1] + 1;
} else {
dp[row][j] = Math.max(dp[prevRow][j], dp[row][j - 1]);
}
}
}
return dp[nums1.length & 1][nums2.length];
}
===============================================================================
最长公共子串(Longest Common Substring)
- 子串是连续的子序列
题目:求两个字符串的最长公共子串长度
- ABCBA 和 BABCA 的最长公共子串是 ABC,长度为 3
假设 2 个字符串分别是 str1、str2:
-
i ∈ [1, str1.length]
-
j ∈ [1, str2.length]
假设 d p ( i , j ) dp(i, j) dp(i,j) 是以 str1[i – 1]
、str2[j – 1]
结尾的最长公共子串长度:
-
d p ( i , 0 ) dp(i, 0) dp(i,0)、 d p ( 0 , j ) dp(0, j) dp(0,j) 初始值均为 0
-
如果
str1[i – 1]
=str2[j – 1]
,那么 d p ( i , j ) = d p ( i – 1 , j – 1 ) + 1 dp(i, j) = dp(i – 1, j – 1) + 1 dp(i,j)=dp(i–1,j–1)+1 -
如果
str1[i – 1]
≠str2[j – 1]
,那么 d p ( i , j ) = 0 dp(i, j) = 0 dp(i,j)=0
-
空间复杂度:O(n ∗ m)
-
时间复杂度:O(n ∗ m)
static int lcs(String str1, String str2) {
if (str1 == null || str2 == null) return 0;
char[] chars1 = str1.toCharArray();
if (chars1.length == 0) return 0;
char[] chars2 = str2.toCharArray();
if (chars2.length == 0) return 0;
int [][] dp = new int [chars1.length + 1][chars2.length + 1];
int max = 0;
for (int i = 1; i <= chars1.length; i++) {
for (int j = 1; j <= chars2.length; j++) {
if (chars1[i - 1] != chars2[j - 1]) continue;
dp[i][j] = dp[i -1][j - 1] + 1;
max = Math.max(max, dp[i][j]);
}
}
return max;
}
-
空间复杂度:O(k) , k = min{n, m}
-
时间复杂度:O(n ∗ m)
static int lcs(String str1, String str2) {
if (str1 == null || str2 == null) return 0;
char[] chars1 = str1.toCharArray();
if (chars1.length == 0) return 0;
char[] chars2 = str2.toCharArray();
if (chars2.length == 0) return 0;
// 选取长度较短的作为列
char[] rowsChars = chars1, colsChars = chars2;
if (chars1.length < chars2.length) {
colsChars = chars1;
rowsChars = chars2;
}
int[] dp = new int[colsChars.length + 1];
int max = 0;
for (int row = 1; row <= rowsChars.length; row++) {
int cur = 0;
for (int col = 1; col <= colsChars.length; col++) {
int leftTop = cur;
cur = dp[col];
if (chars1[row - 1] != chars2[col - 1]) {
dp[col] = 0;
} else {
dp[col] = leftTop + 1;
max = Math.max(max, dp[col]);
}
}
}
return max;
}
我觉得可以修改成这样:
static int lcs(String str1, String str2) {
if (str1 == null || str2 == null) return 0;
char[] chars1 = str1.toCharArray();
if (chars1.length == 0) return 0;
char[] chars2 = str2.toCharArray();
if (chars2.length == 0) return 0;
// 选取长度较短的作为列
int rowsLength = chars1.length;
int colsLength = chars2.length;
if (chars1.length < chars2.length) {
colsLength = chars1.length;
rowsLength = chars2.length;
}
int[] dp = new int[colsLength + 1];
int max = 0;
for (int row = 1; row <= rowsLength; row++) {
int cur = 0;
for (int col = 1; col <= colsLength; col++) {
int leftTop = cur;
cur = dp[col];
if (chars1[row - 1] != chars2[col - 1]) {
dp[col] = 0;
} else {
dp[col] = leftTop + 1;
max = Math.max(max, dp[col]);
}
}
}
return max;
}
==============================================================================
static int maxValue(int[] values, int[] weights, int capacity) {
// 检测非法输入
if (values == null || values.length == 0) return 0;
if (weights == null || weights.length == 0) return 0;
if (weights.length != values.length) return 0;
if (capacity <= 0) return 0;
// 特征方程: dp(i, j) 是最大承重为 j、有前 i 件物品可选时的最大总价值;
int[][] dp = new int[values.length + 1][capacity + 1];
// dp 初始化的值默认是0,Java中数组默认初始值即为0
for (int i = 1; i <= values.length; i++) {
for (int j = 1; j <= capacity; j++){
if (weights[i - 1] > j) { // 如果本次挑选的物品重量 > 承重, 则不装入该物品
dp[i][j] = dp[i - 1][j];
} else { // 本次挑选的物品重量 <= 承重, 可以选择装入
// 比较【装】与【不装】分别获得的最大总价值来选择
dp[i][j] = Math.max(dp[i - 1][j],
dp[i - 1][j - weights[i - 1]] + values[i - 1]);
}
}
}
return dp[values.length][capacity];
}
public static void main(String[] args) {
int[] values = { 6, 3, 5, 4, 6 };
int[] weights = { 2, 2, 6, 5, 4 };
int capacity = 10;
System.out.println(maxValue1(values, weights, capacity));
// i = 5
// j = 10
// 如果不选择第i个物品, dp(i, j) = dp(i - 1, j)
// 如果选择第i个物品, dp(i, j) = values[i] + dp(i - 1, j - weights[i])
// dp(i, j) = max {dp(i - 1, j), valus[i] + dp(i - 1, j - weights[i])}
}
[](https://gitee.com/vip204888/java-p7)0-1背包 – 一维数组
-------------------------------------------------------------------------------
![在这里插入图片描述](https://img-blog.csdnimg.cn/202004252007283.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzczNDA5NQ==,size_16,color_FFFFFF,t_70)
/**
- 一维数组
*/
static int maxValue(int[] values, int[] weights, int capacity) {
if (values == null || values.length == 0) return 0;
if (weights == null || weights.length == 0) return 0;
if (weights.length != values.length) return 0;
if (capacity <= 0) return 0;
int[] dp = new int[capacity + 1];
for (int i = 1; i <= values.length; i++) {
for (int j = capacity; j >= 1; j--) {
if (j < weights[i - 1]) continue;
dp[j] = Math.max(dp[j],
dp[j - weights[i - 1]] + values[i - 1]);
}
}
return dp[capacity];
}
[](https://gitee.com/vip204888/java-p7)0-1背包 – 一维数组优化
---------------------------------------------------------------------------------
# 资料分享
> **[领取方式:戳这里即可免费获取](https://gitee.com/vip204888/java-p7),同时还可以“嫖”到一份关于Redis事务源码的详解内容。**
**1、算法大厂——字节跳动面试题**
![](https://img-blog.csdnimg.cn/img_convert/d1fdd8d5f2b15d29231fd7fac0cfbd96.png)
**2、2000页互联网Java面试题大全**
![](https://img-blog.csdnimg.cn/img_convert/39996cfe54f73af899615fe6b522cad4.png)
**3、高阶必备,算法学习**
0,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzczNDA5NQ==,size_16,color_FFFFFF,t_70)
/**
- 一维数组
*/
static int maxValue(int[] values, int[] weights, int capacity) {
if (values == null || values.length == 0) return 0;
if (weights == null || weights.length == 0) return 0;
if (weights.length != values.length) return 0;
if (capacity <= 0) return 0;
int[] dp = new int[capacity + 1];
for (int i = 1; i <= values.length; i++) {
for (int j = capacity; j >= 1; j--) {
if (j < weights[i - 1]) continue;
dp[j] = Math.max(dp[j],
dp[j - weights[i - 1]] + values[i - 1]);
}
}
return dp[capacity];
}
[](https://gitee.com/vip204888/java-p7)0-1背包 – 一维数组优化
---------------------------------------------------------------------------------
# 资料分享
> **[领取方式:戳这里即可免费获取](https://gitee.com/vip204888/java-p7),同时还可以“嫖”到一份关于Redis事务源码的详解内容。**
**1、算法大厂——字节跳动面试题**
[外链图片转存中...(img-01Dg6tH6-1628602413398)]
**2、2000页互联网Java面试题大全**
[外链图片转存中...(img-QAAZ9CQP-1628602413401)]
**3、高阶必备,算法学习**
![](https://img-blog.csdnimg.cn/img_convert/e16ea65f3ee3fd2bdf17fd1ff1fe6ff3.png)