算法描述
动态规划算法通常用于求解具有某种最优性质的问题。在这类问题中,可能会有许多可 行解。
每一个解都对应于一个值,我们希望找到具有最优值的解。动态规划算法与分治法类似,其基本思想也是将待求解问题分解成若干个子问题,先求解子问题,然后从这些子问题的解得到原问题的解。
与分治法不同的是,适合于用动态规划求解的问题,经分解得到子问题往往不是互相独立的。
若用分治法来解这类问题,则分解得到的子问题数目太多,有些子问题被重复计算了很多次。
如果我们能够保存已解决的子问题的答案,而在需要时再找出已求得的答案,这样就可以避免大量的重复计算,节省时间。我们可以用一个表来记录所有已解的子问题的答案。不管该子问题以后是否被用到,只要它被计算过,就将其结果填入表中。
这就是动态规划法的基本思路。具体的动态规划算法多种多样,但它们具有相同的填表格式。
1:题目描述
给你一个整数数组 nums 和一个整数 k ,找出三个长度为 k 、互不重叠、且 3 * k 项的和最大的子数组,并返回这三个子数组。
以下标的数组形式返回结果,数组中的每一项分别指示每个子数组的起始位置(下标从 0 开始)。如果有多个结果,返回字典序最小的一个。
2:测试案例
测试案例1:
输入:nums = [1,2,1,2,6,7,5,1], k = 2
输出:[0,3,5]
解释:子数组 [1, 2], [2, 6], [7, 5] 对应的起始下标为 [0, 3, 5]。
也可以取 [2, 1], 但是结果 [1, 3, 5] 在字典序上更大。
测试案例2:
输入:nums = [1,2,1,2,1,2,1,2,1], k = 2
输出:[0,2,4]
提示:
1 <= nums.length <= 2 * 10^4
1 <= nums[i] < 2^16
1 <= k <= floor(nums.length / 3)
3:解题思路
根据动态规划的性质,理解出DP[i][j]的实际意义,i表示前i个元素,j表示,j个独立且不重叠的最大子数组之和。
由于是连续的数组元素。DP[i][j] 如果【第i个元素到i+k的数组之和+dp[i-k][j-1]】,说明这个区间比上一个选取的区要大。至于最后怎么用当前DP数据进行确定位置呢,首先我们肯定能够想到DP[len][3](len 表示数组的长度) 为一个最大值。三个最大子数组之和,那怎么保证不重叠呢,只需要再算第二个时DP[i-k][2] (通过比较DP[N][j]与DP[N-1][j]是否相等,如果不相等,说明N~(N-K) 就是一个最大数组之和的其中之一),以此类推,便可求出三个坐标。
4:代码解析
class Solution {
public:
vector<int> maxSumOfThreeSubarrays(vector<int>& nums, int k)
{
int max_len = nums.size();
vector<vector<int>> dp(max_len+1,vector<int>(max_len+1,0));
vector<int> sum(max_len+1,0);
for (int i = 1; i <= max_len; ++i)
sum[i] = sum[i-1] + nums[i-1];
for (int i = k; i <= max_len;++i)
{
for (int j = 1; j <= 3;++j)
{
if (i <= j * k - 1) break;
dp[i][j] = max(dp[i - 1][j],dp[i - k][j - 1] + (sum[i] - sum[i - k]));
};
};
vector<int> res(3,0);
int N = 3;
while (N>0)
{
if (dp[max_len][N] == dp[max_len - 1][N]) {
max_len--;
continue;
}
res[--N] = max_len - k;
max_len -= k;
}
return res;
}
};
5:题目总结
主要对于DP[i][j] 的一个详细意义的表达,需要准确且合适的找出DP的关系。动态规划我还是描述的不是很清楚,后面找个时间把博客进行优化一下。