题目描述
基本思路
正向dp: 从【0】【0】处往【n-1】【m-1】减一处dp
因为只能向下,向右只有两种状态转移可以很容易的写出状态转移方程
但考虑下列情况
绿色路径「从出发点到当前点的路径和」为 1,「从出发点到当前点所需的最小初始值」为 3。
蓝色路径「从出发点到当前点的路径和」为 -1,「从出发点到当前点所需的最小初始值」为 2。
我们希望「从出发点到当前点的路径和」尽可能大,而「从出发点到当前点所需的最小初始值」尽可能小。这两条路径各有优劣。
在上图中,我们知道应该选取绿色路径,因为蓝色路径的路径和太小,使得蓝色路径需要增大初始值到 4 才能走到终点,而绿色路径只要 3点初始值就可以直接走到终点。但是如果把终点的 -2换为 0,蓝色路径只需要初始值 2,绿色路径仍然需要初始值 3,最优决策就变成蓝色路径了。
因此,如果按照从左上往右下的顺序进行动态规划,我们无法直接确定到达 (1,2)(1,2) 的方案,因为有两个重要程度相同的参数同时影响后续的决策。也就是说,这样的动态规划是不满足「无后效性」的。
反向dp: 从【n-1】【m-1】往【0】【0】dp
令 dp[i][j]表示从坐标 (i,j) 到终点所需的最小初始值。换句话说,当我们到达坐标 (i,j)时,如果此时我们的路径和不小于 dp[i][j],我们就能到达终点。
这样一来,我们就无需担心路径和的问题,只需要关注最小初始值
同理写出状态转移方程
dp[i][j]=max(min(dp[i+1][j],dp[i][j+1])−dungeon(i,j),1)
class Solution {
public:
int calculateMinimumHP(vector<vector<int>>& dungeon) {
int n = dungeon.size(), m = dungeon[0].size();
vector<vector<int>> dp(n + 1, vector<int>(m + 1, INT_MAX));
dp[n][m - 1] = dp[n - 1][m] = 1;
for (int i = n - 1; i >= 0; --i) {
for (int j = m - 1; j >= 0; --j) {
int minn = min(dp[i + 1][j], dp[i][j + 1]);
dp[i][j] = max(minn - dungeon[i][j], 1);
}
}
return dp[0][0];
}
};