来自 五分钟学算法
在学习「数据结构和算法」的过程中,因为人习惯了平铺直叙的思维方式,所以「递归」与「动态规划」这种带循环概念(绕来绕去)的往往是相对比较难以理解的两个抽象知识点。
程序员小吴打算使用动画的形式来帮助理解「递归」,然后通过「递归」的概念延伸至理解「动态规划」算法思想。
什么是递归
先下定义:递归算法是一种直接或者间接调用自身函数或者方法的算法。
通俗来说,递归算法的实质是把问题分解成规模缩小的同类问题的子问题,然后递归调用方法来表示问题的解。它有如下特点:
1. 一个问题的解可以分解为几个子问题的解
2. 这个问题与分解之后的子问题,除了数据规模不同,求解思路完全一样
3. 存在递归终止条件,即必须有一个明确的递归结束条件,称之为递归出口
![递归动画](https://i-blog.csdnimg.cn/blog_migrate/e9634377c8bb83f5faa99004464d1c57.png)
通过动画一个一个特点来进行分析。
1.一个问题的解可以分解为几个子问题的解
子问题就是相对与其前面的问题数据规模更小的问题。
在动图中①号问题(一块大区域)划分为②号问题,②号问题由两个子问题(两块中区域)组成。
2. 这个问题与分解之后的子问题,除了数据规模不同,求解思路完全一样
「①号划分为②号」与「②号划分为③号」的逻辑是一致的,求解思路是一样的。
3. 存在递归终止条件,即存在递归出口
把问题分解为子问题,把子问题再分解为子子问题,一层一层分解下去,不能存在无限循环,这就需要有终止条件。
①号划分为②号,②号划分为③号,③号划分为④号,划分到④号的时候每个区域只有一个不能划分的问题,这就表明存在递归终止条件。
从递归的经典示例开始
一.数组求和
![数组求和](https://i-blog.csdnimg.cn/blog_migrate/406504df9a427b3b734f34300b1bfc1d.png)
1Sum(arr[0...n-1]) = arr[0] + Sum(arr[1...n-1])
后面的 Sum 函数要解决的就是比前一个 Sum 更小的同一问题。
1Sum(arr[1...n-1]) = arr[1] + Sum(arr[2...n-1])
以此类推,直到对一个空数组求和,空数组和为 0 ,此时变成了最基本的问题。
1Sum(arr[n-1...n-1] ) = arr[n-1] + Sum([])
二.汉诺塔问题
汉诺塔(Hanoi Tower)问题也是一个经典的递归问题,该问题描述如下:
汉诺塔问题:古代有一个梵塔,塔内有三个座A、B、C,A座上有64个盘子,盘子大小不等,大的在下,小的在上。有一个和尚想把这个盘子从A座移到B座,但每次只能允许移动一个盘子,并且在移动过程中,3个座上的盘子始终保持大盘在下,小盘在上。
![两个盘子](https://i-blog.csdnimg.cn/blog_migrate/7de5b891ab4b92cab011726117e55215.png)
![三个盘子](https://i-blog.csdnimg.cn/blog_migrate/f8d154b8be07fce122d18b1daee81eb5.png)
① 如果只有 1 个盘子,则不需要利用 B 塔,直接将盘子从 A 移动到 C 。
② 如果有 2 个盘子,可以先将盘子 2 上的盘子 1 移动到 B ;将盘子 2 移动到 C ;将盘子 1 移动到 C 。这说明了:可以借助 B 将 2 个盘子从 A 移动到 C ,当然,也可以借助 C 将 2 个盘子从 A 移动到 B 。
③ 如果有 3 个盘子,那么根据 2 个盘子的结论,可以借助 C 将盘子 3 上的两个盘子从 A 移动到 B ;将盘子 3 从 A 移动到 C ,A 变成空座;借助 A 座,将 B 上的两个盘子移动到 C 。
④ 以此类推,上述的思路可以一直扩展到 n 个盘子的情况,将将较小的 n-1个盘子看做一个整体,也就是我们要求的子问题,以借助 B 塔为例,可以借助空塔 B 将盘子A上面的 n-1 个盘子从 A 移动到 B ;将A 最大的盘子移动到 C , A 变成空塔;借助空塔 A ,将 B 塔上的 n-2 个盘子移动到 A,将 B 最大的盘子移动到 C, B 变成空塔。。。
三.爬台阶问题
问题描述:
一个人爬楼梯,每次只能爬1个或2个台阶,假设有n个台阶,那么这个人有多少种不同的爬楼梯方法?
先从简单的开始,以 4 个台阶为例,可以通过每次爬 1 个台阶爬完楼梯:
![每次爬 1 个台阶](https://i-blog.csdnimg.cn/blog_migrate/77516de93d2fc7bcfc33a241694bc1b1.png)
可以通过先爬 2 个台阶,剩下的每次爬 1 个台阶爬完楼梯
![先爬 2 个台阶](https://i-blog.csdnimg.cn/blog_migrate/5d98f6f4079700798a0dd452789df40a.png)
在这里,可以思考一下:可以根据第一步的走法把所有走法分为两类:
① 第一类是第一步走了 1 个台阶
② 第二类是第一步走了 2 个台阶
所以 n 个台阶的走法就等于先走 1 阶后,n-1 个台阶的走法 ,然后加上先走 2 阶后,n-2 个台阶的走法。
用公式表示就是:
f(n) = f(n-1)+f(n-2)
有了递推公式,递归代码基本上就完成了一半。那么接下来考虑递归终止条件。
当有一个台阶时,我们不需要再继续递归,就只有一种走法。
所以 f(1)=1
。
通过用 n = 2
,n = 3
这样比较小的数试验一下后发现这个递归终止条件还不足够。
n = 2
时,f(2) = f(1) + f(0)
。如果递归终止条件只有一个f(1) = 1
,那 f(2)
就无法求解,递归无法结束。
所以除了 f(1) = 1
这一个递归终止条件外,还要有 f(0) = 1
,表示走 0 个台阶有一种走法,从思维上以及动图上来看,这显得的有点不符合逻辑。所以为了便于理解,把 f(2) = 2
作为一种终止条件,表示走 2 个台阶,有两种走法,一步走完或者分两步来走。
总结如下:
① 假设只有一个台阶,那么只有一种走法,那就是爬 1 个台阶
② 假设有两个个台阶,那么有两种走法,一步走完或者分两步来走
![递归终止条件](https://i-blog.csdnimg.cn/blog_migrate/d3df94787626749abda70f0046dd7885.png)
通过递归条件:
1f(1) = 1;
2f(2) = 2;
3f(n) = f(n-1)+f(n-2)
很容易推导出递归代码:
1int f(int n) {
2 if (n == 1) return 1;
3 if (n == 2) return 2;
4 return f(n-1) + f(n-2);
5}
通过上述三个示例,总结一下如何写递归代码:
1.找到如何将大问题分解为小问题的规律
2.通过规律写出递推公式
3.通过递归公式的临界点推敲出终止条件
4.将递推公式和终止条件翻译成代码
什么是动态规划
介绍动态规划之前先介绍一下分治策略(Divide and Conquer)。
分治策略
将原问题分解为若干个规模较小但类似于原问题的子问题(Divide),「递归」的求解这些子问题(Conquer),然后再合并这些子问题的解来建立原问题的解。
因为在求解大问题时,需要递归的求小问题,因此一般用「递归」的方法实现,即自顶向下。
动态规划(Dynamic Programming)
动态规划其实和分治策略是类似的,也是将一个原问题分解为若干个规模较小的子问题,递归的求解这些子问题,然后合并子问题的解得到原问题的解。
区别在于这些子问题会有重叠,一个子问题在求解后,可能会再次求解,于是我们想到将这些子问题的解存储起来,当下次再次求解这个子问题时,直接拿过来就是。
其实就是说,动态规划所解决的问题是分治策略所解决问题的一个子集,只是这个子集更适合用动态规划来解决从而得到更小的运行时间。
即用动态规划能解决的问题分治策略肯定能解决,只是运行时间长了。因此,分治策略一般用来解决子问题相互对立的问题,称为标准分治,而动态规划用来解决子问题重叠的问题。
与「分治策略」「动态规划」概念接近的还有「贪心算法」「回溯算法」,由于篇幅限制,程序员小吴就不在这进行展开,在后续的文章中将分别详细的介绍「贪心算法」、「回溯算法」、「分治算法」,敬请关注:)
将「动态规划」的概念关键点抽离出来描述就是这样的:
1.动态规划法试图只解决每个子问题一次
2.一旦某个给定子问题的解已经算出,则将其记忆化存储,以便下次需要同一个子问题解之时直接查表。
从递归到动态规划
还是以 爬台阶 为例,如果以递归的方式解决的话,那么这种方法的时间复杂度为O(2^n),具体的计算可以查看笔者之前的文章 《冰与火之歌:时间复杂度与空间复杂度》。
相同颜色代表着 爬台阶问题 在递归计算过程中重复计算的部分。
![爬台阶的时间复杂度](https://i-blog.csdnimg.cn/blog_migrate/b081137acfc0ad127b00273a269db7cb.png)
通过图片可以发现一个现象,我们是 自顶向下 的进行递归运算,比如:f(n)
是f(n-1)
与f(n-2)
相加,f(n-1)
是f(n-2)
与f(n-3)
相加。
思考一下:如果反过来,采取自底向上,用迭代的方式进行推导会怎么样了?
下面通过表格来解释 f(n)
自底向上的求解过程。
台阶数 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
---|---|---|---|---|---|---|---|---|---|
走法数 | 1 | 2 |
表格的第一行代表了楼梯台阶的数目,第二行代表了若干台阶对应的走法数。
其中f(1) = 1
和 f(2) = 2
是前面明确的结果。
第一次迭代,如果台阶数为 3 ,那么走法数为 3 ,通过 f(3) = f(2) + f(1)
得来。
台阶数 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
---|---|---|---|---|---|---|---|---|---|
走法数 | 1 | 2 | 3 |
第二次迭代,如果台阶数为 4 ,那么走法数为 5 ,通过 f(4) = f(3) + f(2)
得来。
台阶数 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
---|---|---|---|---|---|---|---|---|---|
走法数 | 1 | 2 | 3 | 5 |
![](https://i-blog.csdnimg.cn/blog_migrate/24003e17e6fbbe8e7d47552b5870ab32.png)
由此可见,每一次迭代过程中,只需要保留之前的两个状态,就可以推到出新的状态。
show me the code
1int f(int n) {
2 if (n == 1) return 1;
3 if (n == 2) return 2;
4 // a 保存倒数第二个子状态数据,b 保存倒数第一个子状态数据, temp 保存当前状态的数据
5 int a = 1, b = 2;
6 int temp = a + b;
7 for (int i = 3; i <= n; i++) {
8 temp = a + b;
9 a = b;
10 b = temp;
11 }
12 return temp;
13}
程序从 i = 3
开始迭代,一直到 i = n
结束。每一次迭代,都会计算出多一级台阶的走法数量。迭代过程中只需保留两个临时变量 a 和 b ,分别代表了上一次和上上次迭代的结果。为了便于理解,引入了temp变量。temp代表了当前迭代的结果值。
看一看出,事实上并没有增加太多的代码,只是简单的进行了优化,时间复杂度便就降为O(n),而空间复杂度也变为O(1),这,就是「动态规划」的强大!
详解动态规划
「动态规划」中包含三个重要的概念:
【最优子结构】
【边界】
【状态转移公式】
在「 爬台阶问题 」中
f(10) = f(9) + f(8)
是【最优子结构】f(1) 与 f(2)
是【边界】f(n) = f(n-1) + f(n-2)
【状态转移公式】
「 爬台阶问题 」 只是动态规划中相对简单的问题,因为它只有一个变化维度,如果涉及多个维度的话,那么问题就变得复杂多了。
难点就在于找出 「动态规划」中的这三个概念。
比如「 国王和金矿问题 」。
国王和金矿问题
有一个国家发现了 5 座金矿,每座金矿的黄金储量不同,需要参与挖掘的工人数也不同。参与挖矿工人的总数是 10 人。每座金矿要么全挖,要么不挖,不能派出一半人挖取一半金矿。要求用程序求解出,要想得到尽可能多的黄金,应该选择挖取哪几座金矿?
![]()
5 座金矿
找出 「动态规划」中的这三个概念
国王和金矿问题中的【最优子结构】
![](https://i-blog.csdnimg.cn/blog_migrate/5b99ddf2da8ea37a3123be97953a2ecf.png)
国王和金矿问题中的【最优子结构】有两个:
① 4 金矿 10 工人的最优选择
② 4 金矿 (10 - 5) 工人的最优选择
4 金矿的最优选择与 5 金矿的最优选择之间的关系是
MAX[(4 金矿 10 工人的挖金数量),(4 金矿 5 工人的挖金数量 + 第 5 座金矿的挖金数量)]
国王和金矿问题中的【边界】
国王和金矿问题中的【边界】 有两个:
① 当只有 1 座金矿时,只能挖这座唯一的金矿,得到的黄金数量为该金矿的数量
② 当给定的工人数量不够挖 1 座金矿时,获取的黄金数量为 0
国王和金矿问题中的【状态转移公式】
我们把金矿数量设为 N,工人数设为 W,金矿的黄金量设为数组G[],金矿的用工量设为数组P[],得到【状态转移公式】:
边界值:F(n,w) = 0 (n <= 1, w < p[0])
F(n,w) = g[0] (n==1, w >= p[0])
F(n,w) = F(n-1,w) (n > 1, w < p[n-1])
F(n,w) = max(F(n-1,w), F(n-1,w-p[n-1]) + g[n-1]) (n > 1, w >= p[n-1])
国王和金矿问题中的【实现】
先通过几幅动画来理解 「工人」 与 「金矿」 搭配的方式
1.只挖第一座金矿
![只挖第一座金矿](https://i-blog.csdnimg.cn/blog_migrate/1d319a229eb9bb4e68b86dfd769e5b08.png)
在只挖第一座金矿前面两个工人挖矿收益为 零,当有三个工人时,才开始产生收益为 200,而后即使增加再多的工人收益不变,因为只有一座金矿可挖。
2.挖第一座与第二座金矿
挖第一座金矿与第二座金矿
在第一座与第二座金矿这种情况中,前面两个工人挖矿收益为 零,因为 W < 3,所以F(N,W) = F(N-1,W) = 0。
当有 三 个工人时,将其安排挖第 一 个金矿,开始产生收益为 200。
当有 四 个工人时,挖矿位置变化,将其安排挖第 二 个金矿,开始产生收益为 300。
当有 五、六 个工人时,由于多于 四 个工人的人数不足以去开挖第 一 座矿,因此收益还是为 300。
当有 七 个工人时,可以同时开采第 一 个和第 二 个金矿,开始产生收益为 500。
3.挖前三座金矿
这是「国王和金矿」 问题中最重要的一个动画之一,可以多看几遍
![挖前三座金矿](https://i-blog.csdnimg.cn/blog_migrate/f5d1ca732b3e025ff1f123bd76ec4286.png)
4.挖前四座金矿
这是「国王和金矿」 问题中最重要的一个动画之一,可以多看几遍
![挖前四座金矿](https://i-blog.csdnimg.cn/blog_migrate/eefd051482494b286d6a8c493d73c114.png)
国王和金矿问题中的【规律】
仔细观察上面的几组动画可以发现:
对比「挖第一座与第二座金矿」和「挖前三座金矿」,在「挖前三座金矿」中,3 金矿 7 工人的挖矿收益,来自于 2 金矿 7 工人和 2 金矿 4 工人的结果,Max(500,300 + 350) = 650;
对比「挖前三座金矿」和「挖前四座金矿」,在「挖前四座金矿」中,4 金矿 10 工人的挖矿收益,来自于 3 金矿 10 工人和 3 金矿 5 工人的结果,Max(850,400 + 300) = 850;
国王和金矿问题中的【动态规划代码】
1代码来源:https://www.cnblogs.com/SDJL/archive/2008/08/22/1274312.html
2
3//maxGold[i][j] 保存了i个人挖前j个金矿能够得到的最大金子数,等于 -1 时表示未知
4int maxGold[max_people][max_n];
5
6int GetMaxGold(int people, int mineNum){
7 int retMaxGold; //声明返回的最大金矿数量
8 //如果这个问题曾经计算过
9 if(maxGold[people][mineNum] != -1){
10 retMaxGold = maxGold[people][mineNum]; //获得保存起来的值
11 }else if(mineNum == 0) { //如果仅有一个金矿时 [ 对应动态规划中的"边界"]
12 if(people >= peopleNeed[mineNum]) //当给出的人数足够开采这座金矿
13 retMaxGold = gold[mineNum]; //得到的最大值就是这座金矿的金子数
14 else //否则这唯一的一座金矿也不能开采
15 retMaxGold = 0; //得到的最大值为 0 个金子
16 }else if(people >= peopleNeed[mineNum]) // 如果人够开采这座金矿[对应动态规划中的"最优子结构"]
17 {
18 //考虑开采与不开采两种情况,取最大值
19 retMaxGold = max(
20 GetMaxGold(people - peopleNeed[mineNum],mineNum - 1) + gold[mineNum],
21 GetMaxGold(people,mineNum - 1)
22 );
23 }else//否则给出的人不够开采这座金矿 [ 对应动态规划中的"最优子结构"]
24 {
25 retMaxGold = GetMaxGold(people,mineNum - 1); //仅考虑不开采的情况
26 maxGold[people][mineNum] = retMaxGold;
27 }
28 return retMaxGold;
29}
![动态规划代码](https://i-blog.csdnimg.cn/blog_migrate/4ceb766a470e2c0f714b0e9ee7e13440.png)
希望通过这篇文章,大家能对「递归」与「动态规划」有一定的理解。后续将以「动态规划」为基础研究多重背包算法、迪杰特斯拉算法等更高深的算法问题,同时「递归」的更多概念也会在「分治算法」章节再次延伸,敬请对程序员小吴保持关注:)
感觉挺棒的,可以在点击下面bar进行关注!
往期推荐:
好文!必须点赞