浅谈动态规划问题的优化

动态规划(Dynamic programming)是一种常见而具备很大开发潜力的算法，若要追奔朔源，所谓的动态规划其实就是“借助表格”来记录过去的“状态”，以减小探索未来状态过程中不必要的重复求解步骤(实际上programming在这里就是指表格，而不是编程...).至于该在什么时候用动态规划，这里推荐LeetCode 123. 买卖股票的最佳时机 III 的题解 “一个通用方法团灭 6 道股票问题” ，其中很明确地阐述了动态规划的使用方法。最为重要的部分莫过于“状态、选择和转移”。因本篇侧重于叙述动态规划的优化问题，关于何时应当使用动态规划不多做阐述，简单来说，其中经验性的部分也占据很大比重---“看到一个问题，感觉能够使用动态规划”此类，比如往往在字符串问题上，动态规划的效能要好于深度优先搜索，等等。

 

优化方法

为了比较具体地叙述动态规划的优化步骤，这里以实际的题目为例。题源为LeetCode 97. 交错字符串。

题目描述如下：

给定三个字符串 s1, s2, s3, 验证 s3 是否是由 s1 和 s2 交错组成的。

比如输入 s1 = "aabcc", s2 = "dbbca", s3 = "aadbbcbcac" ，输出为true；

再比如输入 s1 = "aabcc", s2 = "dbbca", s3 = "aadbbbaccc"，输出为false;

如上文所言，遇到字符串问题首先想一想能否用动态规划解决？是否还有其他方法？

本人曾使用过dfs来解决，但无法通过全部测试用例(99/101),而在处理字符串问题时，如果dfs行不通，那摆在眼前的选项也很明确了----动态规划。

 

经过一番思考，我们大概很快能确定这个问题的“转移方程”:

dp[j][k][i] = ( dp[j-1][k][i-1]  && s1[j-1] == s3[i-1]  ) || ( dp[j][k-1][i-1]  && s2[k-1] == s3[i-1] )

其中,j表示s1的字串长度,k表示s2的字串长度,i表示s3的字串长度。所以dp[j][k][i]的含义是,s1的长度为j的字串和s2的长度为k的字串能否交错拼接成s3的长度为i的字串。

随后，我们可以得到原始的代码:

提交后通过，但是时间消耗60ms，仅仅击败15%的测试用例；空间消耗15.5Mb,仅仅击败5%的测试用例。Wooops，好像结果不太理想呀。看来可以优化的空间还很大！

 

第一步优化:通过约束关系降低空间复杂度

让我们重新理解一下题意。如果s1和s2要拼接成s3，那么对于字符串s1和字符串s2而言，其长度j + k一定等于i!

所以我们可以得到约束关系式：k = i - j；这样，原本要用三维表示的dp数组可以降低为2维，因为k所在的维度实际是“没有必要”的，因为k的取值仅仅与j有关！所以我们可以直接省略k的维度，这样得到了如下代码：

好了，现在我们成功让dp空间从三维降低为二维，提交后，时间消耗8ms击败90%用户，空间消耗8.7Mb击败50%的用户。呜，看上去优化得不错？是否还有进一步优化的空间呢？

 

第二步优化：从“时序性”入手

所谓的时序，也就是“状态所处的时间点”，让我们重新审视状态转移方程：

dp[j][k][i] = ( dp[j-1][k][i-1]  && s1[j-1] == s3[i-1]  ) || ( dp[j][k-1][i-1]  && s2[k-1] == s3[i-1] )

其中，我们让i不断递增，因此，我们可以把i视为“时序”。也就是说，i表示的维度现在成为了“时序维度”，但我们是否真的需要添加这个“时序维度”呢？

假设dp[j][k][i]表示的是在i时刻的状态dp[j][k]，我们可以看到，当前状态仅仅与上一时刻的状态(dp[j-1][k][i-1]、dp[j][k-1][i-1])有关，既然我们的i是递增的，也就是说，当时刻行进到i时，如果我们还没有更新dp[j][k]的状态，那么，这时候的dp[j][k]不就是上一时刻的dp[j][k]了吗？乍一看好像很容易做到？

等等，注意一下，如果我们让j也是顺序递增的，当要更新dp[j][k][i]时，我们其实已经更新过了dp[j-1][k][i]，那么这时候的dp[j-1][k]就不再是“上一时刻的”dp[j-1][k]了。

那如果采用倒序呢？

如果j采取倒序遍历，我们可以看到，dp[j][k][i]应当是在dp[j-1][k][i]之前更新的，也就是说，当我们需要在i时刻更新dp[j][k]的时候，dp[j-1][k]存取的还是上一时刻的值(也就是dp[j-1][k][i-1])，到这里是不是豁然开朗了呢？

在第一步优化的基础上，如果我们对时序性进行优化，可以得到转移方程为:

dp[j] = (dp[j] && s1[j-1] == s3[i-1]) || (dp[j-1] && s2[k-1] == s3[i-1])

最终的优化代码如下:

提交结果,时间消耗8m击败90%用户,空间消耗8.3Mb击败89%的用户，大功告成！

 

 

总结

一般来说，动态规划问题上，涉及空间复杂度的优化比较常见，我们不妨通过约束关系与时序性这两个角度切入，看看当前的动态规划空间是否存在降维的可能。尤其是时序性优化，这是一种巧妙的优化方式，仅仅改变遍历顺序就能做到空间优化是不是很神奇？本质上这其实利用了状态时序的性质，像类似的时序性优化，01背包问题也是个非常典型的案例。实际上，很多时候当我们看见当前状态仅仅与上一时刻有关时，便可以从时序性角度入手，优化当前的动态规划空间。