代码随想录 day35 动态规划part01

最新推荐文章于 2024-08-10 07:14:43 发布

sophiaRachel

最新推荐文章于 2024-08-10 07:14:43 发布

阅读量137

点赞数 3

分类专栏：算法之代码随想录学习与复习文章标签：动态规划算法

本文链接：https://blog.csdn.net/qq_40445763/article/details/140402232

版权

算法之代码随想录学习与复习专栏收录该内容

38 篇文章 0 订阅

订阅专栏

来自代码随想录
什么是动态规划
动态规划，英文：Dynamic Programming，简称DP，如果某一问题有很多重叠子问题，使用动态规划是最有效的。

DP, 某一个问题有很多重叠的子问题。下一步的最优值依赖上一步， 且下一步的逻辑与上一步一致。

所以动态规划中每一个状态一定是由上一个状态推导出来的，这一点就区分于贪心，贪心没有状态推导，而是从局部直接选最优的，

在关于贪心算法，你该了解这些！ (opens new window)中我举了一个背包问题的例子。

例如：有N件物品和一个最多能背重量为W 的背包。第i件物品的重量是weight[i]，得到的价值是value[i] 。每件物品只能用一次，求解将哪些物品装入背包里物品价值总和最大。


DP动规划下五步曲
1. 确定dp数组（dp table）以及下标的含义
2. 确定递推公式
3. dp数组如何初始化 (根据公式确定)
4. 确定遍历顺序
5. 举例推导dp数组

这道题目我举例推导状态转移公式了么？
我打印dp数组的日志了么？
打印出来了dp数组和我想的一样么？

写动规题目，代码出问题很正常！

做动规的题目，写代码之前一定要把状态转移在dp数组的上具体情况模拟一遍，心中有数，确定最后推出的是想要的结果。

然后再写代码，如果代码没通过就打印dp数组，看看是不是和自己预先推导的哪里不一样。

如果打印出来和自己预先模拟推导是一样的，那么就是自己的递归公式、初始化或者遍历顺序有问题了。

如果和自己预先模拟推导的不一样，那么就是代码实现细节有问题。

这样才是一个完整的思考过程，而不是一旦代码出问题，就毫无头绪的东改改西改改，最后过不了，或者说是稀里糊涂的过了。

这也是我为什么在动规五步曲里强调推导dp数组的重要性。

这一篇是动态规划的整体概述，讲解了什么是动态规划，动态规划的解题步骤，以及如何debug。

509. 斐波那契数

斐波那契数，通常用 F(n) 表示，形成的序列称为 斐波那契数列 。该数列由 0 和 1 开始，后面的每一项数字都是前面两项数字的和。也就是： F(0) = 0，F(1) = 1 F(n) = F(n - 1) + F(n - 2)，其中 n > 1 给你n ，请计算 F(n) 。

示例 1：

输入：2
输出：1
解释：F(2) = F(1) + F(0) = 1 + 0 = 1
示例 2：

输入：3
输出：2
解释：F(3) = F(2) + F(1) = 1 + 1 = 2
示例 3：

输入：4
输出：3
解释：F(4) = F(3) + F(2) = 2 + 1 = 3
提示：

0 <= n <= 30

思路

子问题： dp[i]: 第i个斐波那契数值
dp[i] = dp[i-1] + dp[i-2], i >=2;
dp[0] = 0; dp[1] = 1
dp = [0] * (n + 1)
dp[1] = 1
for i in range(2,n + 1):
    dp[i] = dp[i-1] + dp[i-2]
return dp[-1]

--->
dp = [3] * 2
dp[1] = 1
for i in range(2, n + 1):
    dp[2] = dp[0] + dp[1]
    dp[0] = dp[1]
    dp[1] = dp[2]
return dp[2]

f0 = 0
f1 = 1
for i in range(2, n + 1):
    f2 = f0 + f1
    f0 = f1
    f1 = f2
return f2

完整的动态规划

class Solution:
    def fib(self, n: int) -> int:
        if n <= 1:return n
        dp = [0] * (n+1)
        dp[1] = 1
        for i in range(2, n + 1):
            dp[i] = dp[i-1] + dp[i-2]
        return dp[n]

动态规划优化code

class Solution:
    def fib(self, n: int) -> int:
        if n <= 1:return n
        dp = [0] * 3
        dp[1] = 1
        for i in range(2, n + 1):
            dp[2] = dp[0] + dp[1]
            dp[0] = dp[1]
            dp[1] = dp[2]
        return dp[1]

70. 爬楼梯

力扣题目链接(opens new window)

假设你正在爬楼梯。需要 n 阶你才能到达楼顶。

每次你可以爬 1 或 2 个台阶。你有多少种不同的方法可以爬到楼顶呢？

注意：给定 n 是一个正整数。

示例 1：

输入： 2
输出： 2
解释： 有两种方法可以爬到楼顶。
1 阶 + 1 阶
2 阶
示例 2：

输入： 3
输出： 3
解释： 有三种方法可以爬到楼顶。
1 阶 + 1 阶 + 1 阶
1 阶 + 2 阶
2 阶 + 1 阶

思考

这个题和上一题很类似。 题目问有多少种爬到楼顶的方法？ dp[i]: 爬到i阶有dp[i]种方法。
dp[i] 从哪里来， dp[i-1] dp[i-2]--一次只能爬1 or 2个台阶。
dp[i] = dp[i-1] + dp[i-2]
i >= 2
dp[0] = 1
dp[1] = 1
dp[2] = 2

i ---i-1, i-2 前到后
dp[2] = dp[0] + dp[1] = 1 + 1 = 2
dp[3] =dp[1] + dp[2] = 1 + 2 = 3
dp[4] = dp[2] + dp[3] = 2 + 3 = 5

dp = [0] * 3
for i in range(2, n + 1):
    dp[2] = dp[0] + dp[1]
    dp[0] = dp[1]
    dp[1] = dp[2]
return dp[2]

code python

class Solution:
    def climbStairs(self, n: int) -> int:
        if n <= 1:return 1
        dp = [0] * 3
        dp[0] = 1
        dp[1] = 1
        for i in range(2, n+1):
            dp[2] = dp[0] + dp[1]
            dp[0] = dp[1] 
            dp[1] = dp[2]
        return dp[2]

746. 使用最小花费爬楼梯

力扣题目链接(opens new window)
旧题目描述：
数组的每个下标作为一个阶梯，第 i 个阶梯对应着一个非负数的体力花费值 cost[i]（下标从 0 开始）。每当你爬上一个阶梯你都要花费对应的体力值，一旦支付了相应的体力值，你就可以选择向上爬一个阶梯或者爬两个阶梯。请你找出达到楼层顶部的最低花费。在开始时，你可以选择从下标为 0 或 1 的元素作为初始阶梯。

示例 1：
输入：cost = [10, 15, 20]
输出：15
解释：最低花费是从 cost[1] 开始，然后走两步即可到阶梯顶，一共花费 15 。
示例 2：

输入：cost = [1, 100, 1, 1, 1, 100, 1, 1, 100, 1]
输出：6
解释：最低花费方式是从 cost[0] 开始，逐个经过那些 1 ，跳过 cost[3] ，一共花费 6 。
提示：

cost 的长度范围是 [2, 1000]。
cost[i] 将会是一个整型数据，范围为 [0, 999] 。

思考

最小的花费爬楼梯。

i -- cost[i] 0
一次只能爬1 or 2

从0， 1开始
dp[i]： 爬到第i个阶梯的最小花费为dp[i]
如何表示爬过第i过阶梯，一次只能爬1 or 2个阶梯
dp[i] = min(dp[i-1] + cost[i-1], dp[i-2] + cost[i-2])
dp[0] = 0
dp[1] = 0
dp[2] = min(dp[1] + cost[1], dp[0] + cost[2])
dp[3] =  min(dp[2] + cost[2], dp[1] + cost[1])
dp[4] =  min(dp[3] + cost[3], dp[2] + cost[4])
dp[n] = (dp[n-1] + cost[n-1], dp[n-2] + cost[n-2])

dp[i] 爬过第i个台阶的最小花费。
dp[i] = min(dp[i-1], dp[i-2] + cost[i])
dp[0] = cost[0]
dp[1] = cost[1]
dp[2] =  min(dp[1], dp[0] + cost[2])
dp[3] =  min(dp[2], dp[1] + cost[3])

code python

class Solution:
    def minCostClimbingStairs(self, cost: List[int]) -> int:
        dp0 = 0  # 初始值，表示从起点开始不需要花费体力
        dp1 = 0  # 初始值，表示经过第一步不需要花费体力
        
        for i in range(2, len(cost) + 1):
            # 在第i步，可以选择从前一步（i-1）花费体力到达当前步，或者从前两步（i-2）花费体力到达当前步
            # 选择其中花费体力较小的路径，加上当前步的花费，得到当前步的最小花费
            dpi = min(dp1 + cost[i - 1], dp0 + cost[i - 2])
            
            dp0 = dp1  # 更新dp0为前一步的值，即上一次循环中的dp1
            dp1 = dpi  # 更新dp1为当前步的最小花费
        
        return dp1  # 返回到达楼顶的最小花费