动态规划【leetcode】

笔记：代码随想录

概述

Dynamic Programming 简称 DP。动态规划是从上一个状态推导当前状态。贪心则和上一个状态没关系。

五个步骤

1. 确定dp数组以及下标的含义
2. 确定递推公式
3. dp数组如何初始化
4. 确定遍历顺序
5. 举例推导dp数组

方法

基础问题，背包问题，打家劫舍问题，股票问题，子序列问题

基础问题

1.斐波那契数

2.爬楼梯

3.使用最小花费爬楼梯

4.不同路径

5.不同路径二

6.整数拆分

7.不同的二叉搜索树

背包问题

8.0-1背包理论基础一

二维数组

做动态规划的题目，最好的过程就是自己在纸上举一个例子把对应的dp数组的数值推导一下，然后在动手写代码！

01背包和完全背包最大的不同就是每种物品完全背包有无限件。完全背包可以转化为01背包。

9.0-1背包理论基础二

一维数组（滚动数组）

10.分割等和子集

如果题目给的价值都是正整数那么非0下标都初始化为0就可以了，如果题目给的价值有负数，那么非0下标就要初始化为负无穷。

这样才能让dp数组在递推的过程中取得最大的价值，而不是被初始值覆盖了。

dp[j] = max(dp[j], dp[j - nums[i]] + nums[i])

11.最后一块石头的重量二

12.目标和

既然为target，那么就一定有 left组合 - right组合 = target。left + right = sum，而sum是固定的。right = sum - left公式来了， left - (sum - left) = target 推导出 left = (target + sum)/2 。

求组合类问题的公式，都是类似这种：

dp[j] += dp[j - nums[i]]

13.一和零

14.完全背包理论基础

每件物品都有无限个（也就是可以放入背包多次），完全背包和01背包问题唯一不同的地方就是，每种物品有无限件。在完全背包中，对于一维dp数组来说，其实两个for循环嵌套顺序是无所谓的！

15.零钱兑换二

如果求组合数就是外层for循环遍历物品，内层for遍历背包。

如果求排列数就是外层for遍历背包，内层for循环遍历物品。

16.组合总和四

17.爬楼梯

18.零钱兑换

19.完全平方数

20.单词拆分

21.多重背包理论基础

打家劫舍问题

22.打家劫舍

23.打家劫舍二

闭环了，考虑开头是nums[0]以及结尾是nums[0]的情况。

24.打家劫舍三

树形dp

股票问题

25.买卖股票的最佳时机

26.买卖股票的最佳时机二

27.买卖股票的最佳时机三

28.买卖股票的最佳时机四

29.最佳买卖股票时机含冷冻期

30.买卖股票的最佳时机含手续费

可以考虑一下为什么不从持有的时候入手减去手续费

子序列问题

31.最长上升子序列

dp经典问题

class Solution:
    def lengthOfLIS(self, nums: List[int]) -> int:
        dp = [1] * len(nums)
        results = 1

        for i in range(1, len(nums)):
            for j in range(i):
                if nums[i] > nums[j]:
                    dp[i] = max(dp[i], dp[j] + 1)
            results = max(results, dp[i])
        
        return results

32.最长连续递增序列

33.最长重复子数组

34.最长公共子序列

35.不相交的线

36.最大子序和

37.判断子序列

38.不同的子序列

如果是连续序列，可以考虑KMP

39.两个字符串的删除操作

40.编辑距离

41.回文子串

42.最长回文子序列