定义
动态规划(Dynamic Programming,DP)是运筹学的一个分支,是求解决策过程最优化的过程,简称DP,如果某一问题有很多重叠子问题,使用动态规划是最有效的。
与贪心区别
贪心是局部最优达到全局最优,每次你只需要关心拿最大还是最小即可,没有状态推导,而动规则是要从上一个状态推导得来。
解题步骤
- 明确dp数组和下标的含义
- 定义递推公式
- dp数组初始化
- 确定遍历顺序
- 举例推导dp
写题时,自己尝试推导,看和自己想的一不一样。
爬楼梯
以这道题作为切入点,
class Solution {
public int climbStairs(int n) {
int[] dp = new int[n + 1];//dp代表n阶需要的方法数
//dp[i] = dp[i - 1] + dp[i - 2] 递推公式定义
if(n <= 1) {
return n;
}
dp[0] = 1;
dp[1] = 1;//dp数组初始化,0没有实际意义
for(int i = 2;i <= n;i++) {
dp[i] = dp[i - 1] + dp[i - 2];
}
return dp[n];
}
}
dp[0]是没有实际意义的,它可以解释成直接在楼顶上也是一种方法,也可以解释成什么都不做,方法数是0,其实在这道题里,他没有实际含义,n是一个正整数,你完全可以把它初始化从1开始。
优化
它可以仅维护两个数值就行了。
进阶
到n阶可以一次跳1,跳2,跳m,有多少种方法,其实也是一样的,dp[i] = dp[i-1] + … + dp[1];它是一个完全背包问题。
dp[0] = 1;
for (int i = 1; i <= n; i++) {
for (int j = 1; j <= m; j++) {
if (i - j >= 0) dp[i] += dp[i - j];
}
}
return dp[n];
class Solution {
public int minCostClimbingStairs(int[] cost) {
int n = cost.length;
int[] dp = new int[n+1];//dp数组的含义是到达第i个台阶的最低花费
dp[0] = cost[0];
dp[1] = cost[1];
for(int i = 2;i < n;i++) {
dp[i] = Math.min(dp[i - 1],dp[i - 2]) + cost[i];
}
return Math.min(dp[n - 1],dp[n - 2]);
}
}
这道题也一样,首先你要明确dp数组的含义,题目中要求最小体力,所以把dp设为爬到i阶所需要的最小体力。因为可以选择爬一个和爬两个,所以需要初始化两个值,我们认为爬第一个台阶也需要消耗体力,这很好理解,最后一个不需要,因为已经支付过了。