动态规划算法
动态规划算法是求解决策最优解的重要算法。当我们遇到多阶段决策问题时,即某一阶段的决策会影响下一阶段的决策,动态规划算法能够形成一个决策序列,进而确定整个活动所执行的行动路线。而其中每一阶段的决策都依赖于上一步的决策,同时也影响着下一步的决策,故称动态规划。
动态规划的解题步骤
- 确定状态转移公式,即当前的状态怎么由前面的状态变化而来以及辅助的dp数组。理解dp数组中各个元素代表的含义是构建转移公式的关键。
- 初始化dp数组。
- 根据题目条件确定遍历顺序,实现状态转移公式。
最大子数和问题
最大子数和问题如下:给定一个整数数组,找到一个具有最大连续子数和,返回其最大值。
举个栗子,{1,-1,-2,2,3,4,5,6,-3}是一个整数型数组,1,-1,-2三个数是一个连续子数,但是这仨的和明显不如2,3,4,5,6这个连续子数和要大。我们需要在数组中找到一个最大的连续子数和并输出其子数和。
public class dp {
public static void main(String[] args) {
int[] nums = {1,-1,-2,2,3,4,5,6,-3};
System.out.println(maxSubArray(nums));
}
public static int maxSubArray(int[] nums) {
//采用双指针法穷举所有元素的连续子数和,但是时间复杂度高(两个for循环)
//1.初始化dp数组,目标数组有多少个元素就设定多大的dp数组
int[] dp = new int[nums.length];
dp[0] = nums[0];
//2.创建变量以保存dp数组最大值
int result = dp[0];
//3.遍历dp数组时,由于已经利用nums进行过初始化,因此从第二个元素开始遍历即可。
for (int i = 1; i < nums.length; i++) {
//4.状态转移公式
dp[i] = Math.max(dp[i - 1] + nums[i], nums[i]);
if (dp[i] > result) {
result = dp[i];
}
}
return result;
}
}
细心的朋友也会发现对于建立的dp数组,每次迭代使用的数据其实只有dp[i-1],那么dp数组里其余的元素会白白消耗内存空间,因此可以进一步作出优化。建立临时变量保存迭代过程中的最大子数和,并在每次迭代之后进行更新。
public class dp {
public static void main(String[] args) {
int[] nums = {1,-1,-2,2,3,4,5,6,-3};
System.out.println(bettermaxSubArray(nums));
}
public static int bettermaxSubArray(int[] nums) {
//直接记录数组首位数为result,同时记录为暂存的最大值
int result = nums[0];
int max = result;
for (int i = 1; i < nums.length; i++) {
max = Math.max(max + nums[i], nums[i]);
if (max > result) {
result = max;
}
}
return result;
}