如果要求一个问题的最优解(通常是最大值或者最小值),而且该问题能够分解成若干个子问题,并且小问题之间也存在重叠的子问题,则考虑采用动态规划。
使用动态规划特征:
1. 求一个问题的最优解
2. 大问题可以分解为子问题,子问题还有重叠的更小的子问题 ,即整体问题最优解取决于子问题的最优解(状态转移方程) 。
3. 从上往下分析问题,从下往上解决问题
4. 讨论底层的边界问题
例1:硬币问题
我们有面值为1元3元5元的硬币各无数枚,如何用最少的硬币凑够21(这个值可以随意指定)元?
分析:
1. 求问题的最优解:最小的硬币数
2. 是否有子问题:假设f(n)表示凑够n元的最少硬币数。则显然,f(n)=min(f(n-1),f(n-3),f(n-5)) + 1;
3. 确定最小问题的解。
f(1)=1, f(2)=2, f(3)=1,f(4)=2, f(5)=1
4 从上往下分析问题,从下往上解决问题。
代码:
package dataStructureAndAlgorithms;
public class DaymicPrograming_findMinCoinNumber {
//从下往上的方法
public static int find(int n){
if(n<=5)
{
if(n == 1 || n==3 || n==5)
{
return 1;
}
else {
return 2;
}
}
int[] minNumber = new int[n+1];
minNumber[1] = minNumber[3] = minNumber[5] = 1;
minNumber[2] = minNumber[4] = 2;
for(int i=6;i<=n;i++){
minNumber[i] = min(minNumber[i-1],minNumber[i-3],minNumber[i-5]) + 1;
}
return minNumber[n];
}
public static int min(int a, int b, int c){
return a<b?(a<c?a:c):(b<c?b:c);
}
public static void main(String[] args) {
for(int i=1;i<=30;i++){
System.out.println("数额:" + i + " 最少硬币数:" + find(i));
}
}
}
结果:
数额:1 最少硬币数:1
数额:2 最少硬币数:2
数额:3 最少硬币数:1
数额:4 最少硬币数:2
数额:5 最少硬币数:1
数额:6 最少硬币数:2
数额:7 最少硬币数:3
数额:8 最少硬币数:2
数额:9 最少硬币数:3
数额:10 最少硬币数:2
数额:11 最少硬币数:3
数额:12 最少硬币数:4
数额:13 最少硬币数:3
数额:14 最少硬币数:4
数额:15 最少硬币数:3
数额:16 最少硬币数:4
数额:17 最少硬币数:5
数额:18 最少硬币数:4
数额:19 最少硬币数:5
数额:20 最少硬币数:4
数额:21 最少硬币数:5
数额:22 最少硬币数:6
数额:23 最少硬币数:5
数额:24 最少硬币数:6
数额:25 最少硬币数:5
数额:26 最少硬币数:6
数额:27 最少硬币数:7
数额:28 最少硬币数:6
数额:29 最少硬币数:7
数额:30 最少硬币数:6