动态规划算法一般遵循一套固定的流程:递归的暴力解法 -> 带备忘录的递归解法 -> 非递归的动态规划解法。
package dynamic_programming;
/**
* @program: Aglorithm
* @Date: today
* @Author: Kyrie
* @Description:
*
* 动态规划小结
*/
public class Dynamic_Programming_Summary {
}
- 零钱兑换
给定不同面额的硬币 coins 和一个总金额 amount。编写一个函数来计算可以凑成总金额所需的最少的硬币个数。如果没有任何一种硬币组合能组成总金额,返回 -1。
// 暴力递归
public static int coinsChange(int[] arr, int amount){
//递归终止条件
if (amount == 0) return 0;
if (amount < 0) return -1;
//初始化最小值min
int min = Integer.MAX_VALUE; //判断最小值是否更新,若没有更新则说明不能凑成amount
for (int i = 0; i < arr.length; i++) {
if (amount - arr[i] < 0) continue;
int coins = coinsChange(arr, amount - arr[i]);
if (coins == -1) continue;
min = Math.min(coins + 1, min);
}
return min == Integer.MAX_VALUE ? -1 : min;
}
//备忘录方式
public static HashMap<Integer, Integer> map = new HashMap<>(); //相当于备忘录的功能
public static int coinsReplace02(int[] arr, int target){
//递归终止条件
if(target == 0)
return 0;
if (target < 0)
return -1;
if (map.containsKey(target))
return map.get(target); //相当于备忘录的功能
int min = Integer.MAX_VALUE;
for (int i = 0; i < arr.length; i++) {
int diff = target - arr[i];
int count = coinsReplace02(arr, diff); //min
if (count == -1) //使用该硬币不能构成target
continue; //跳过该硬币
//更新min
int num = 1 + count; //使用该硬币 num代表使用的coins数量
if (num < min){
min = num;
map.put(target, min);
}
}
if (min == Integer.MAX_VALUE){ // 不能凑成
return -1;
}else
return min;
}
//动态规划
public int coinChange(int[] arr, int target) {
if (target < 0 || arr.length == 0)
return -1;
int[] dp = new int[target + 1];
for (int i = 1; i <= target; i++) {
int min = Integer.MAX_VALUE;
//int diff = -1;
for (int j = 0; j < arr.length; j++) {
int diff = i - arr[j];
if (diff >= 0 && dp[diff] != -1)
min = Math.min(min, dp[diff]);
//dp[i] = min == Integer.MAX_VALUE ? -1 : min + 1; //若min为Integer.MAX_VALUE,则说明花掉的硬币,不能凑成总金额
}
dp[i] = min == Integer.MAX_VALUE ? -1 : min + 1; //若min为Integer.MAX_VALUE,则说明花掉的硬币,不能凑成总金额
}
return dp[target];
}
执行用时 : 21 ms, 在Coin Change的Java提交中击败了91.32% 的用户
内存消耗 : 35.1 MB, 在Coin Change的Java提交中击败了98.57% 的用户
- 最小路径和
package dynamic_processing;
public class Demo_dp02 {
/**
* @Author Kyrie
* @Description
* @Date today
* 最小路径和:
* 给定一个包含非负整数的 m x n 网格,请找出一条从左上角到右下角的路径,
* 使得路径上的数字总和为最小。每次只能向下或者向右移动一步。
**/
//递归方式
public int minPathSum02(int[][] grid) {
return process(grid, 0, 0);
}
public int process(int[][] arr, int i, int j) {
if (i == arr.length - 1 && j == arr[0].length - 1)
return arr[i][j];
if (i == arr.length - 1)
return arr[i][j] + process(arr, i, j + 1);
if (j == arr[0].length - 1)
return arr[i][j] + process(arr, i + 1, j);
int right = process(arr, i, j + 1);
int down = process(arr, i + 1, j);
return arr[i][j] + Math.min(right, down);
}
//备忘录-方式 可以模仿使用HashMap来存储未计算的值,并判断是否该值已经存在
//动态规划
public static int minPathSum(int[][] arr) {
if (arr == null || arr.length == 0 || arr[0] == null || arr[0].length == 0) {
return 0;
}
int row = arr.length;
int col = arr[0].length;
int[][] dp = new int[row][col];
dp[row - 1][col - 1] = arr[row - 1][col - 1];
for (int j = col - 2; j >= 0; j--) {
dp[row - 1][j] = dp[row - 1][j + 1] + arr[row - 1][j];
}
for (int i = row - 2; i >= 0; i--) {
dp[i][col - 1] = dp[i + 1][col - 1] + arr[i][col - 1];
}
for (int i = row - 2; i >= 0; i--) {
for (int j = col - 2; j >= 0; j--) {
dp[i][j] = arr[i][j] + Math.min(dp[i + 1][j], dp[i][j + 1]);
}
}
return dp[0][0];
}
//进一步优化,使用空间复杂度为O(N)
}
- 最长相同子字符串
package dynamic_processing;
public class Demo_dp03 {
/**
* 最长相同子字符串
* 输入
* String X = "ATCTGAT";
* String Y = "TGCATA";
* 输出
* String Z = "TCTA"; //4
* <p>
* 分析:最长相同子字符串可通过小一些的最长相同子字符串获得。
* 尾部的字符,两种情况:1.X最后没有字母T,此时尾部字母相同;
* 2.Y最后没有字母A,此时尾部字母相同;
* 若计算出上述两个最长相同子字符串的答案,则其中较长的相同子字符串为X和Y的
* 最长相同子字符串。
* <p>
* 对于两字符串的字尾相同时,可通过短一些的最长相同子字符串获取,之后在尾部加上
* 共同拥有的字母。
* <p>
* 利用数学式子描述大问题的最优解和小问题的最优解的关系:
* c[i,j]代表并存储其相关小问题的最优解的长度,即c[i,j]代表字串X中前面i个字符和
* 字符串Y中前面的j个字符所形成的最长相同子字符串的长度。
* 0, if i = 0 or j = 0
* c[i,j] = c[i-1][j-1] + 1, if i,j > 0 and Xi = Yj,
* max(c[i-1][j], c[i][j-1]), if i,j > 0 and Xi != Yj
*/
public static int findlongString(String str1, String str2) {
if (str1 == null || str2 == null || str1.length() == 0 || str2.length() == 0)
return 0;
int row = str1.length();
int col = str2.length();
int[][] dp = new int[row + 1][col + 1]; // 增加一行和一列省去初始化边界,初始化为0
for (int i = 1; i <= row; i++) {
for (int j = 1; j <= col; j++) {
if (str1.charAt(i - 1) == str2.charAt(j - 1)) //当字符相等时
dp[i][j] = dp[i - 1][j - 1] + 1;
else {
if (dp[i][j - 1] >= dp[i - 1][j])
dp[i][j] = dp[i][j - 1];
else
dp[i][j] = dp[i - 1][j];
}
}
}
//打印dp
/*
for (int i = 0; i < dp.length; i++) {
for (int j = 0; j < dp[0].length; j++) {
System.out.print(dp[i][j] + " ");
}
System.out.println();
}*/
return dp[row][col];
}
public static void main(String[] args) {
String X = "ATCTGAT";
String Y = "TGCATA";
System.out.println(findlongString(X, Y)); // 4
}
}
- 安排员工聚会问题
package dynamic_processing;
public class Demo_dp04 {
/**
* @Author Kyrie
* @Description
* @Date today
* @Param 员工数N, happy数组
* happyp[v] 每一个节点v将其快乐指数存于happy[v]中。
* sumofhappy[v] 以v为根的部门(小树)的最大快乐指数
* children[v,j] 若children[v,j]返回true,则代表节点v为j的父节点
* @return 返回最大happy值
*
* 最优子结构判断:
* 检查大问题的最优解可以利用小问题的最优解组合得到
* 注意:
* 若在公司找出N位员工是大问题,则小问题应该是什么?怎样的小问题的最优解对解大问题有帮助?
* 比如,已知N-1位员工的小问题的最优解,好像对找到N位员工大问题的解帮助不大。因为,没有考虑数据结构之间的关系。
* 原数据的数据结构是一颗树tree,因此小问题应该是小树或子树!!
*
* 最优子结构分析:
* 1.若根节点考虑,则最大值依赖于其所有子节点的最大值之和
* 2.若根节点不考虑,则最大值依赖于其所有孙节点的最大值之和
*
* 描述大问题与子问题之间的数学式子:
* 若以v为根的部门的最大值存储于sumofhappy(v)中。当v是叶节点时,sumofhappy(v) = happy(v)。
* 当v不是叶节点时,假设其子节点为ci,其孙节点为sj。可用下列式子描述大问题与子问题之间的数学关系:
* sumofhappy(v) = Max{sumofhappy(c1)+...+sumofhappy(ci); happy(v)+sumofhappy(s1)+...+sumofhappy(sj)};
* 即:sumofhappy(v) = Max{};
**/
}
-
单词拆分
给定一个非空字符串 s 和一个包含非空单词列表的字典 wordDict,判定 s 是否可以被空格拆分为一个或多个在字典中出现的单词。说明:拆分时可以重复使用字典中的单词。你可以假设字典中没有重复的单词。
-
示例 1:
输入: s = “leetcode”, wordDict = [“leet”, “code”]
输出: true
解释: 返回 true 因为 “leetcode” 可以被拆分成 “leet code”。 -
示例 2:
输入: s = “applepenapple”, wordDict = [“apple”, “pen”]
输出: true
解释: 返回 true 因为 “applepenapple” 可以被拆分成 “apple pen apple”。
注意你可以重复使用字典中的单词。 -
示例 3:
输入: s = “catsandog”, wordDict = [“cats”, “dog”, “sand”, “and”, “cat”]
输出: false
-
class Solution {
//动态规划
public boolean wordBreak(String s, List<String> wordDict) {
Set<String> wordDictSet = new HashSet(wordDict); //构造一个包含指定 collection 中的元素的新set
boolean[] dp = new boolean[s.length() + 1]; // 初始化均为false
dp[0] = true;
for (int i = 1; i <= s.length(); i++) { // 字符串的状态
for (int j = 0; j < i; j++) { // 从start开始到end之间,形成的字符串是否存在于字典中,start++, end不变
if (dp[j] && wordDictSet.contains(s.substring(j, i))) {
dp[i] = true;
break;
}
}
}
/*
for (boolean b : dp)
System.out.print(b + " "); //true false false false true false false false true
*/
return dp[s.length()];
}
}
- 最长回文子串
package dynamic_processing;
public class Demo_dp06 {
/**
* 最长回文子串(动态规划版)
* 给定一个字符串s,找到s中最长的回文子串。你可以假设s的最大长度为 1000。
*
* 示例 1:
* 输入: "babad"
* 输出: "bab"
* 注意: "aba" 也是一个有效答案。
*
* 示例 2:
* 输入: "cbbd"
* 输出: "bb"
* 暴力法将选出所有子字符串可能的开始和结束位置,并检验它是不是回文。
* 动态规划就是优化暴力法的手段:首先初始化一字母和二字母的回文,然后找到所有三字母回文,并依此类推…
*
*/
public static String longestPalindrome(String s) {
int len = s.length();
if(len == 0){
return "";
}
char[] sToArray = s.toCharArray();
boolean[][] mem = new boolean[len][len];
int maxLen = 1;
int fromIndex = 0;
int toIndex = 1;
// 初始化条件
for(int i = 0; i < len; ++i){
mem[i][i] = true;
if(i + 1 < len && sToArray[i] == sToArray[i + 1]){
mem[i][i + 1] = true;
maxLen = 2;
fromIndex = i;
toIndex = i + 1 + 1;
}
}
// 执行dp
for(int i = 2; i < len; ++i){
for(int j = 0; j < i - 1; ++j){
mem[j][i] = mem[j + 1][i - 1] && sToArray[j] == sToArray[i];
if(mem[j][i] && i - j + 1 > maxLen){
maxLen = i - j + 1;
fromIndex = j;
toIndex = i + 1;
}
}
}
return s.substring(fromIndex, toIndex);
}
}