动态规划的适用性
1.最优子结构
2.无后效性
3.子问题的重叠性
例题:
一只青蛙一次可以跳上1级台阶,也可以跳上2级台阶。求该青蛙跳上一个 n 级的台阶总共有多少种跳法。
这个问题的最直白的写法就是:
const numWays = function (n) {
if (n < 0) {
return 0n; //BigInt表示法
}
if (n === 0){
return 1n //BigInt表示法
}
const a1 = numWaysTool(n - 1);
const a2 = numWaysTool(n - 2);
return a1 + a2;
}
这样在n比较小的时候,的确能很快的求解出正确答案,但是在n比较大的时候,由于不断的递归,执行栈上就会push上很多numWays方法,程序需要跑很久才跑得出来。
因此需要优化,首先想到的就是尾调用优化,但无奈这题我抓耳挠腮也没想出来怎么进行尾调用优化。
然后我又想到了缓存,要求跳100个台阶跳法,我就得知道跳99个台阶和跳98个台阶的跳法,然后99又可以拆分为98和97,但是求跳100个台阶的时候就已经求过98了,我现在求跳99个台阶,又要求一次跳98的……………………那么为何不先把98的求出来,再求99个台阶和100个台阶的呢?
所以,代码就变成了下面这样:
const numWays = function (n) {
const numWaysTool = function (m) {
if (cache[m]) {
return cache[m];
}
if (m < 0) {
return 0n;
}
const a1 = numWaysTool(m - 1);
const a2 = numWaysTool(m - 2);
return cache[i] = (a1 + a2);
}
const cache = [1n];
let i;
for (i = 0; i <= n; i++) {
numWaysTool(i);
}
return Number(cache[n]);
};
这其实就是一种动态规划的写法,以空间换时间,把子问题的解保存起来。
最后发现,其实这就是一个斐波那契数列,然后再使用尾递归优化,计算效率会更快。
const numWays = function (n) {
return Number(tool(1n, 1n, BigInt(n)) % BigInt(1e9 + 7));
};
function tool(left, right, total) {
if (total > 0n) {
return tool(right, left + right, total - 1n);
} else {
return left;
}
}