动态规划解题思路

动态规划

动态规划最重要的是掌握他的思想，动态规划的核心思想是把原问题分解成子问题进行求解，也就是分治的思想。

1.理论知识

• 特点1：存在重复的子问题，所以需要保存之前的计算结果
• 特点2：最优子结构，最优解肯定是有最优的子解转移推导而来，子解必定也是子问题的最优解。
• 特点3：无后效性：求出来的子问题并不会因为后面求出来的改变。
• 思考方向：自顶而下，使用递归+记忆化； 自底向上：递推求解

2.状态

状态的定义，先尝试「题目问什么，就把什么设置为状态」；

3.状态转移方程

然后思考「状态如何转移」，如果「状态转移方程」不容易得到，尝试修改定义，目的依然是为了方便得到「状态转移方程」。

有部分问题是线性问题，可以直接递推求解。但是大多数都是有 分类讨论，把当前问题划分为几个子问题，这些子问题的最优解构成了当前的问题的最优解。

4.初始化

从定义出发，初始化最小的问题，从而为后面的递推打下基础。有的初始化需要对DP table多加一行，或者多加一列来防止越界。

5.输出

一般来说输出都是dp table的最后一个，但是有时候不一定。是要根据定义的符号关系和递推顺序进行的，才能确定哪一个才是最后的输出。

6.空间优化

如果当前行状态只于上一行的有关，那么二维dp矩阵可以使用一维替代。
如果当前值只于上一个值有关， 那么有的一维dp可以使用某几个变量替代，具体问题要具体分析。

---

题目的分类整理

---

DP表

5. 最长回文子串

题目：定一个字符串 s，找到 s 中最长的回文子串。
建立二维dp，自底而上，自左到右。

• 当前字符相等，看其内部的字符是否是回文
• 邻字符相等就直接赋值True
  $$dp[i][j]=\{\begin{array}{ll}dp[i+1][j-1],& s[i]==s[j]\\ True,& j==i+1\\ Fasle,& else\end{array}$$

62. 不同路径

题目：一个机器人位于一个 m x n 网格的左上角 （起始点在下图中标记为“Start” ）。机器人每次只能向下或者向右移动一步。机器人试图达到网格的右下角（在下图中标记为“Finish”）。问总共有多少条不同的路径？

• 这道题机器人只能向右和向下走，所以动态转移方程很容易推出：
  $$dp[i][j]=dp[i-1][j]+dp[i][j-1]$$
  初始化每一个网格内部的值为1

63. 不同路径 II

一个机器人位于一个 m x n 网格的左上角 （起始点在下图中标记为“Start” ）。机器人每次只能向下或者向右移动一步。机器人试图达到网格的右下角（在下图中标记为“Finish”）。现在考虑网格中有障碍物。那么从左上角到右下角将会有多少条不同的路径？网格中的障碍物和空位置分别用 1 和 0 来表示。

• 开始考虑过回溯，但是超时。
• 这道题相对于62题多了一个障碍物，可以使用DP table,建立一个初始全1的DP表，遇到障碍物就当前路径数清零
  具体方法：
• 初始第一行，遇到0，之后的第一行DP表内参数都变为0，不可达到。
• 初始第一列，遇到0，DP表内第一列0之后的参数为0， 不可达到。
  $$dp[i][j]=\{\begin{array}{ll}dp[i-1][j]+dp[i][j-1],& ifgrid[i][j]!=0\\ 0,& grid[i][j]=0\end{array}$$

64. 最小路径和

题目：给定一个包含非负整数的 m x n 网格，请找出一条从左上角到右下角的路径，使得路径上的数字总和为最小。
说明：每次只能向下或者向右移动一步。

• 建立m*n的一个DP表
• 初始化第一行，对第一行元素累加
• 初始化第一列，对第一列元素累加
• 之后就开始进行递推
  d p [ i ] [ j ] = m i n { d p [ i − 1 ] [ j ] , d p [ i ] [ j − 1 ] } + d p [ i ] [ j ] dp[i][j] = min\{dp[i-1][j], dp[i][j-1]\} + dp[i][j] dp[i][j]=min{ dp[i−1][j],dp[i][j−1]}+dp[i][j]

72. 编辑距离

题目：给你两个单词 word1 和 word2，请你计算出将 word1 转换成 word2 所使用的最少操作数 。
你可以对一个单词进行如下三种操作：
插入一个字符
删除一个字符
替换一个字符

• 建立一个(m+1)*(n+1)的矩阵用于dp,dp值表示当前位置所需要的最小操作次数。
• 初始化，将单词1索引放在第一行,单词2索引放在第一列，dp[0][0] = 0, 还未操作的。
  动态转移方程如下：
  $$dp[i][j]=\{\begin{array}{l}min\{\begin{array}{ll}dp[i-1][j]+1,& 删除操作\\ dp[i][j-1]+1,& 插入操作\\ dp[i-1][j-1]+1,& 替换操作\end{array}\\ dp[i-1][j-1],word1[i]=word2[j]\end{array}$$
  解释一下为什么：
• 删除操作：由于本次word2[j] 不匹配word[i],想要删除word1[i]，让word2[j]去匹配word1[i+1],所以$dp[i][j]=dp[i-1][j]+1$，加的是一个删除的操作步数。
• 插入操作：由于本次word2[j] 不匹配word[i],想要插入一个word2[j]使得两个相等，就匹配下一个word2[j+1] 和word1[i],所以word2的索引后移，$dp[i][j]=dp[i][j-1]+1$,加的是插入的操作数。
• 替换操作：替换就是让word2[j] 在不等于 word1[i]的时候等于word1[i],此时两者都要后移索引，所以$dp[i][j]=dp[i-1][j-1]$
• 如果当前值相等，无需加操作数，两者索引同时后移。

87. 扰乱字符串

题目：给出两个长度相等的字符串 s1 和 s2，判断 s2 是否是 s1 的扰乱字符串。
示例 1:输入: s1 = “great”, s2 = “rgeat” 输出: true

• 建立一个三维DP，大小为 n x n x (n+1), dp[i][j][l],表示字符串S[i:i+l]与字符串T[j:j+l]是否满足扰乱关系。
• 建立的时候所有值都是False; 初始化在立方体的底面，也就是字符串单个字符与另一个字符串单个字符的关系。
• dp推理：进行枚举
  • 枚举字符长度2-n中的索引 k
  • 枚举S中的起始位置 i
  • 枚举T中的起始位置 j
  • 枚举划分的位置 w
  • 枚举两种扰乱的情况

$$dp[i][j][k]=\{\begin{array}{ll}True,& ifdp[i][j][w]=dp[i+w]][j+w][k-w]\\ True,& ifdp[i+w][j][k-w]=dp[i][j+k-w][w]\\ False,& else\end{array}$$

97. 交错字符串

题目：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。
示例 1:输入: s1 = “aabcc”, s2 = “dbbca”, s3 = “aadbbcbcac”; 输出: true

• dp建立：这道题还是建立dp表格进行求解，dp[ i ][ j ] 表示 s1的前 i - 1个和 s2的前 j - 1 个，能够组合的字符串与s3[ i+j-1]之前的i+j-2个字符进行匹配，由于字符的匹配是逐个匹配，要么选择s1.要么选择s2，所以可以使用这么一个转移关系。
• 初始化：开始的时候需要对dp table的第一行，第一列进行初始化，初始化的意思就是只考虑单个的字符串，将是s1或者s2 与s3单独逐个进行匹配。
• 这里的转移方程为要么选择s1,s1右移，要么选择s2，s2右移，有一个匹配成功就为True.
  $$dp[i][j]=\{\begin{array}{l}dp[i-1][j]ands1[i-1]==s3[i+j-1]\\ or\\ dp[i][j-1]ands2[j-1]==s3[i+j-1]\end{array}$$

115. 不同的子序列

题目：给定一个字符串 S 和一个字符串 T，计算在 S 的子序列中 T 出现的个数。
一个字符串的一个子序列是指，通过删除一些（也可以不删除）字符且不干扰剩余字符相对位置所组成的新字符串。例如：S = “rabbbit”, T = “rabbit”，输出3。

• 建立一个(row+1)*(col+1)的dp矩阵.dp[i][j]表示T[:i]在S[:j]内出现的次数。
• 初始化第一行为1， 空字符在第一次相等，之后就没有空字符,表示只有这一种取法.
• 分T[i] == S[j]和T[i] != S[j]两种情况。
  • 不相等：dp[i][j] = dp[i][j-1]
  • 相等：dp[i][j] = dp[i][j-1]+dp[i-1][j-1]

相等的时候就是，使用T[i]与S[:j-1]进行匹配的个数加上不使用T[i]与S[:j-1]匹配的个数。
动态转移方程
$$dp[i][j]=\{\begin{array}{ll}dp[i][j-1],& S[i]\ne T[j]\\ dp[i-1][j-1]+dp[i][j-1],& S[i]=T[j]\end{array}$$

123. 买卖股票的最佳时机 III

题目：给定一个数组，它的第 i 个元素是一支给定的股票在第 i 天的价格。设计一个算法来计算你所能获取的最大利润。你最多可以完成 两笔 交易。注意: 你不能同时参与多笔交易（你必须在再次购买前出售掉之前的股票）

• 最多交易两次，可以选择交易0次或者1次。
• 初始化，由于是三维dp数组，所以初始化是初始化的一个底面：
  • dp[0][0][0] = 0 #第一天，啥都没做
  • dp[0][0][1] = -float(‘INF’) #第一天卖了一次，不存在
  • dp[0][0][2] = -float(‘INF’) #第一天卖了两次，不存在
  • dp[0][1][0] = -prices[0] #第一天买一次了，但是没卖，但是有股票
  • dp[0][1][1] = -float(‘INF’) #第一天卖一了次，还有股票，不存在
  • dp[0][1][2] = -float(‘INF’) #第一天卖了两次，还有股票不存
• 分析状态：一天结束时，可能有持股、可能未持股、可能卖出过1次、可能卖出过2次、也可能未卖出过所以定义状态转移数组dp[天数][当前是否持股][卖出的次数] = dp[ i ][ j ][k].
  { d p [ i ] [ 0 ] [ 0 ] = 0 , 未 持 股 未 卖 出 d p [ i ] [ 0 ] [ 1 ] = m a x ( d p [ i − 1 ] [ 1 ] [ 0 ] + p [ i ] , d p [ i − 1 ] [ 0 ] [ 1 ] ) , 今 天 卖 出 或 者 之 前 卖 出 d p [ i ] [ 0 ] [ 2 ] = m a x ( d p [ i − 1 ] [ 1 ] [ 1 ] + p [ i ] , d p [ i − 1 ] [ 0 ] [ 2 ] ) , 今 天 卖 出 或 者 之 前 卖 出 d p [ i ] [ 1 ] [ 0 ] = m a x ( d p [ i − 1 ] [ 0 ] [ 0 ] − p [ i ] ,