动态规划(Dynamic programming)与分治法相似,都是通过组合子问题的解来求解原问题。如前所述,分治方法将问题划分为互不相交的子问题,递归地求解子问题,再将它们的解组合起来,求出原问题的解。与之相反,动态规划应用于子问题重叠的情况,即不同的子问题具有公共的子子问题(子问题的求解是递归进行的,将其划分为更小的子子问题)。在这种情况下,分治算法会做出许多不必要的工作,它会反复求解那些公共子子问题。而动态规划算法对每个子问题只求解一次,将其保存在一个表格(programming)中,从而无需每次求解一个子子问题时都重新计算,避免了这种不必要的计算工作。
动态规划方法通常用来求解最优化问题。这类问题可以有很多可行解,每个解都有一个值,我们希望寻找具有最优值(最大值或最小值)的解。我们称这样的解为问题的一个最优解。
设计一个动态规划算法:
- 刻画一个最优解的结构特征;
- 递归地定义最优解的值;
- 计算最优解的值,通常采用自底向上的方法;
- 利用计算出的信息构造一个最优解。
LeetCode:
53 Maximum Subarray
https://leetcode.com/problems/maximum-subarray/description/
分析:
class Solution:
def maxSubArray(self, nums):
"""
:type nums: List[int]
:rtype: int
"""
dp = []
dp.append(nums[0])
max_value = dp[0]
for i in range(1, len(nums)):
if dp[i - 1] > 0:
dp.append(nums[i] + dp[i - 1])
else:
dp.append(nums[i])
max_value = max(max_value, dp[i])
return max_value
70 Climbing Stairs
https://leetcode.com/problems/climbing-stairs/description/
分析:
class Solution:
def climbStairs(self, n):
"""
:type n: int
:rtype: int
"""
if n == 1:
return 1
if n == 2:
return 2
dp = [0] * n
dp[0] = 1
dp[1] = 2
for i in range(2, n):
dp[i] = dp[i - 1] + dp [i - 2]
return dp[n - 1]