整理动态规划笔记（c 和 cpp 版）

爬楼梯

一：动态规划

优化之后的程序

int climbStairs(int n) {
    int p = 0, q = 0, r = 1;
    for (int i = 1; i <= n; ++i) {
        p = q;
        q = r;
        r = p + q;
    }
    return r;
}

二：矩阵快速幂（参考力扣）

以上的方法适用于 n 比较小的情况，在 n 变大之后，O(n) 的时间复杂度会让这个算法看起来有些捉襟见肘。我们可以用「矩阵快速幂」的方法来优化这个过程

得

令

因此我们只要能快速计算矩阵 M的 n 次幂，就可以得到 f(n) 的值。如果直接求取 ，时间复杂度是 O(n) 的，我们可以定义矩阵乘法，然后用快速幂算法来加速这里

如何想到使用矩阵快速幂？

• 如果一个问题可与转化为求解一个矩阵的 n 次方的形式，那么可以用快速幂来加速计算

• 如果一个递归式形如，即齐次线性递推式，我们就可以把数列的递推关系转化为矩阵的递推关系，即构造出一个矩阵的 n 次方乘以一个列向量得到一个列向量，这个列向量中包含我们要求的 f(n) .一般情况下，形如 可以构造出这样的m x m 的矩阵：

 

• 那么遇到非齐次线性递推我们是不是就束手无策了呢？其实未必。有些时候我们可以把非齐次线性递推转化为齐次线性递推，比如这样一个递推：

我们可以做这样的变换：

令x，那么我们又得到了齐次线性递推：

于是就可以使用矩阵快速幂求解了。当然并不是所有非齐次线性都可以化成齐次线性，我们还是要具体问题具体分析。

以下是矩阵快速幂的代码实现

struct Matrix {
    long long mat[2][2];
};

struct Matrix multiply(struct Matrix a, struct Matrix b) {    // 矩阵 a*b
    struct Matrix c;
    for (int i = 0; i < 2; i++) {
        for (int j = 0; j < 2; j++) {
            c.mat[i][j] = a.mat[i][0] * b.mat[0][j] + a.mat[i][1] * b.mat[1][j];
        }
    }
    return c;
}

struct Matrix matrixPow(struct Matrix a, int n) {    // a 是 f(1) f(2)
    struct Matrix ret;    // M
    ret.mat[0][0] = ret.mat[1][1] = 1;
    ret.mat[0][1] = ret.mat[1][0] = 0;
    while (n > 0) {
        if ((n & 1) == 1) {
            ret = multiply(ret, a);    // ret = ret*a
        }
        n >>= 1;    // -->n/2
        a = multiply(a, a);
    }
    return ret;
}

int climbStairs(int n) {
    struct Matrix ret;
    ret.mat[1][1] = 0;
    ret.mat[0][0] = ret.mat[0][1] = ret.mat[1][0] = 1;
    struct Matrix res = matrixPow(ret, n);    // ret 的 n 次方
    return res.mat[0][0];
}

三：通项公式

之前的方法我们已经讨论了f(n)是齐次线性递推，根据递推方程，我们可以写出这样的特征方程：

求得，设通解为，代入初始条件，，得，，我们得到了这个递推数列的通项公式：

接着我们就可以通过这个公式直接求第 n 项了

int climbStairs(int n) {
    double sqrt5 = sqrt(5);
    double fibn = pow((1 + sqrt5) / 2, n + 1) - pow((1 - sqrt5) / 2, n + 1);
    return (int) round(fibn / sqrt5);
}

总结：

• n比较小的时候，我们直接使用过递归法求解， 不做任何记忆化操作，时间复杂度是O(2^n)，存在很多冗余计算

• 一般情况下，我们使用「记忆化搜索」或者「迭代」的方法