数据结构与算法--算法思维之动态规划

目录

动态规划

概念

经典问题：斐波那契数列

时间复杂度

优缺点

适用场景

---

 

动态规划

概念

        动态规划(Dynamic Programming)，是一种分阶段求解的方法。 通过拆分问题，定义问题状态和状态之间的关系，使得问题能够以递推（或者说分治） 的方式去解决。

        首先是拆分问题，就是根据问题的可能性把问题划分成一步一步，这样就可以通过递推或者递归来实现，关键就是这个步骤,动态规划有一类问题就是从后往前推到，有时候我们很容易知道：如果只有一种情况时，最佳的选择应该怎么做。然后根据这个最佳选择往前一步推导，得到前一步的最佳选择 然后就是定义问题状态和状态之间的关系，通过前面拆分的步骤之间的关系，用一种量化的形式表现出来,类似于高中学的推导公式，因为这种式子很容易用程序写出来，也可以说对程序比较亲和(也就是最后所说的状态 转移方程式) 我们再来看定义的下面的两段，我的理解是比如我们找到最优解，我们应该讲最优解保存下来,，为了往前推导时能够使用前一步的最优解，在这个过程中难免有一些相比于最优解差的解，此时我们应该放弃，只保存最优解，这样我们每一次都把最优解保存了下来，大大降低了时间复杂度。

动态规划中有三个重要概念：

• 最优子结构
• 边界
• 状态转移公式（递推方程）dp方程

经典问题：斐波那契数列

        通过上边的递归树可以看出在树的每层和上层都有大量的重复计算，可以把计算结果存起来，下次再用 的时候就不用再计算了，这种方式叫记忆搜索，也叫做备忘录模式

public class fib2 {
    static int[] sub = new int[10];
    public static int fib(int n){
        if (n <= 1) {
            return n;
        }
        if (sub[n] == 0){
            sub[n] = fib(n - 1) + fib(n - 2);
        }
        return sub[n];
    }

    public static void main(String[] args) {
        System.out.println(fib(9));
    }
}

 dp方程：

if(i <  2) 则 dp[0] = 0, dp[1] = 1
if(i >= 2) dp[i] = dp[i - 1] + dp[i - 2]

最优子结构：fib[9] = fib[8] + fib[7]

边界：a[0] = 0; a[1] = 1

dp方程：fib[n] = fib[n - 1] + fib[n - 2]

public class fib3{
    public static int fib(int n){
        int a[] = new int[n + 1];
        a[0] = 0;
        a[1] = 1;
        int i;
        //a[n] = a[n - 1] + a[n - 2]
        for (i = 2; i <= n; i++) {
            a[i] = a[i - 1] + a[i - 2];
        }
        return a[i - 1];
    }

    public static void main(String[] args) {
        System.out.println(fib(9));
    }
}

使用动态规划四个步骤

1. 把当前的复杂问题转化成一个个简单的子问题（分治）
2. 寻找子问题的最优解法（最优子结构）
3. 把子问题的解合并，存储中间状态
4. 递归+记忆搜索或自底而上的形成递推方程(dp方程)

 

时间复杂度

新的斐波那契数列实现时间复杂度为O(n) 

 

优缺点

        优点：时间复杂度和空间复杂度都相当较低
        缺点：难，有些场景不适用

 

适用场景

        尽管动态规划比回溯算法高效，但是，并不是所有问题，都可以用动态规划来解决。能用动态规划解决的问题，需要满足三个特征，最优子结构、无后效性和重复子问题。在重复子问题这一点上，动态规划 和 分治算法 的区分非常明显。分治算法要求分割成的子问题，不能有重复子问题，而动态规划正好相反，动态规划之所以高效，就是因为回溯算法实现中存在大量的重复子问题。