动态规划

动态规划思路解析

在此记录如何分析一个问题使用动态规划的方法实现时间复杂度上的优化。

对比暴力算法，在下面问题上的时间复杂度从O(n^2)降低到了O(n)。并且空间复杂度进行了优化，从O(n)降低到了O(1)。

 

示例问题：最大子序和

给定一个整数数组 nums ，找到一个具有最大和的连续子数组（子数组最少包含一个元素），返回其最大和。

示例:

输入: [-2,1,-3,4,-1,2,1,-5,4],
输出: 6
解释: 连续子数组 [4,-1,2,1] 的和最大，为 6。

https://leetcode-cn.com/problems/maximum-subarray/

 

思路解析

思路参考了leetcode题解中的高手（https://leetcode-cn.com/u/liweiwei1419/）在这个问题下的答案

第 1 步：定义状态
既然一个连续子数组一定要以一个数作为结尾，那么我们就将状态定义成如下。

dp[i]：表示以 nums[i] 结尾的连续子数组的最大和。

那么为什么这么定义呢？这是因为这样定义状态转移方程容易得到。
怎么想到这么定义的呢？凭经验，以前做过类似问题，例如「力扣」第 300 题：“最长上升子序列”，或者说是凭感觉。这两道题都是动态规划的经典问题，当做例题来学习未尝不可，我学习动态规划的时候，就是直接看别人的博客和题解的。
第 2 步：思考状态转移方程
根据状态的定义，由于 nums[i] 一定会被选取，并且 dp[i] 所表示的连续子序列与 dp[i - 1] 所表示的连续子序列（有可能）就差一个 nums[i] 。

假设数组 nums 全是正数，那么一定有 dp[i] = dp[i - 1] + nums[i]，但是搞不好 dp[i - 1] 是负数也是有可能的。例如前几个数都是负数，突然来了一个正数。

于是分类讨论：

如果 dp[i - 1] >= 0，那么可以把 nums[i] 直接接在 dp[i - 1] 表示的那个数组的后面。

如果 dp[i - 1] < 0，那么加上前面的数反而越来越小了，于是“另起炉灶”，单独的一个 nums[i]，就是 dp[i]。

以上两种情况的最大值就是 dp[i] 的值，写出如下状态转移方程：

dp[i] = \begin{cases} dp[i - 1] + nums[i], & if \quad dp[i - 1] \ge 0 \\ nums[i], & if \quad dp[i - 1] < 0 \end{cases}
 

记为“状态转移方程 1”。

状态转移方程还可以这样写，反正求的是最大值，也不用分类讨论了，就这两种情况，取最大即可，因此还可以写出状态转移方程如下：

dp[i] = \max \{nums[i],\; dp[i - 1] + nums[i]\}
dp[i]=max{nums[i],dp[i−1]+nums[i]}

记为“状态转移方程 2”。

动态规划的问题经常要分类讨论，这是因为动态规划的问题本来就有最优子结构的特征，即大问题的最优解通常由小问题的最优解得到，那么我们就需要通过分类讨论，得到大问题的小问题究竟是哪些。

第 3 步：思考初始值
dp[0] 根据定义，一定以 nums[0] 结尾，因此 dp[0] = nums[0]。

第 4 步：思考输出
这里状态的定义不是题目中的问题的定义，不能直接将最后一个状态返回回去。

输出应该是把所有的 dp[0]、dp[1]、……、dp[n - 1] 都看一遍，取最大值。 同样的情况也适用于「力扣」第 300 题：“最长上升子序列”。我经常在这一步“摔跟头”，请各位也留意。

 

参考代码 

// 动态规划法 --> 创建一个动态数组，将目标的中间结果保存在该数组中，最后再求出动态数组的目标值。
    // 优化：此时时间复杂度为O(n)，空间复杂度也为O(n),可以降低空间复杂度进行优化,从O(n)变为O(1)
    int maxSubArray(vector<int>& nums)
    {
        if (nums.size() < 1) return 0;

        vector<int>dp(nums.size(), 0); // dp[i]表示以nums[i]结尾的最大子序的和

        dp[0] = nums[0];
        int result = dp[0];

        for (int i = 1; i < nums.size(); i++) {
            dp[i] = max(dp[i - 1] + nums[i], nums[i]);
            result = max(dp[i], result);
        }

        return result;
    }
    // 执行时间8ms，内存消耗9.4MB
    int maxSubArray(vector<int>& nums)
    {
        if (nums.size() < 1) return 0;

        //因为只需要知道dp的前一项，我们用int代替一维数组
        int dp(nums[0]);
        int result = dp;

        for (int i = 1; i < nums.size(); i++) {
            dp = max(dp + nums[i], nums[i]);
            result = max(dp, result);
        }

        return result;
    }