定义
动态规划简称DP
问题,是分治思想的延伸,通俗一点来说就是大事化小,小事化无的艺术。
在将大问题化解为小问题的分治过程中,保存对这些小问题已经处理好的结果,并供后面处理更大规模的问题时直接使用这些结果。
特点
动态规划具备了以下三个特点:
- 把原来的问题分解成了几个相似的子问题。
- 所有的子问题都只需要解决一次。
- 储存子问题的解。
本质
动态规划的本质:是对问题状态的定义和状态转移方程的定义。
(状态转移方程:状态之间的递推关系)
动态规划问题一般从以下四个角度考虑:
- 状态定义
- 状态间的转移方程定义
- 状态的初始化
- 返回结果
- 状态定义的要求:定义的状态一定要形成递推关系。
- 【概括】:三特点四要素两本质
- 适用场景:最大值/最小值, 是否可行, 是不是,方案个数等。
样例
Fibonacci
斐波那契数列(Fibonacci sequence
),又称黄金分割数列、因数学家列昂纳多·斐波那契以兔子繁殖为例子而引入,故又称为“兔子数列
”,指的是这样一个数列:1、1、2、3、5、8、13、21、34、……
我们知道他的递推公式是:F(n)=F(n-1)+F(n-2)
(n>=2,n∈N*),其中F(1)=1
,F(2)=1
。所以很容易用递归实现:
int Fibonacci(int n){
// 初始值
if (n <= 0){
return 0;
}
if (n == 1 || n == 2) {
return 1;
}
//递推公式:F(n)=F(n-1)+F(n-2)
return Fibonacci(n - 2) + Fibonacci(n - 1);
}
可以想到斐波那契数列递归求解最大的缺点就是:大量的重复计算。
它的方法时间复杂度为O(2^n)
,随着n
的增大呈现指数增长,效率不尽人意。而当输入比较大时,还可能导致栈溢出。
如何优化?使用动态规划思想!
【动态规划】解法:
状态:F(n)
状态递推:F(n) = F(n-1) + F(n-2)
初始值:F(1) = F(2) = 1
返回结果:F(N)
代码实现:
int Fibonacci(int n){
// 初始值
if (n <= 0){
return 0;
}
if (n == 1 || n == 2) {
return 1;
}
// 申请一个数组,保存子问题的解,题目要求从第0项开始
int* record = new int[n + 1];
record[0] = 0;
record[1] = 1;
for (int i = 2; i <= n; i++){
// F(n)=F(n-1)+F(n-2)
record[i] = record[i - 1] + record[i - 2];
}
//返回结果
return record[n];
delete[] record;
}
上述解法的时间、空间复杂度均为O(n)
,对于递归的时间复杂度O(2^n)
有了明显优化。
但其实F(n)
只与它相邻的前两项有关,所以没有必要保存所有子问题的解,只需要保存两个子问题的解就可以。
以下方法将空间复杂度降为O(1)
int Fibonacci(int n){
// 初始值
if (n <= 0){
return 0;
}
if (n == 1 || n == 2) {
return 1;
}
int fn1 = 1;
int fn2 = 1;
int result = 0;
for (int i = 3; i <= n; i++){
// F(n)=F(n-1)+F(n-2)
result = fn2 + fn1;
// 更新值
fn1 = fn2;
fn2 = result;
}
return result;
}
变态青蛙跳台阶(Climbing Stairs)
- 例题描述:
一只青蛙一次可以跳上1
级台阶,也可以跳上2
级……它也可以跳上n
级。求该青蛙跳上一个n
级的台阶总共有多少种跳法。
状态:
子状态:跳上1级,2级,3级,...,n级台阶的跳法数
f(n):还剩n个台阶的跳法数
状态递推:
n级台阶,第一步有n种跳法:跳1级、跳2级、到跳n级
跳1级,剩下n-1级,则剩下跳法是f(n-1)
跳2级,剩下n-2级,则剩下跳法是f(n-2)
f(n) = f(n-1)+f(n-2)+...+f(n-n)
f(n) = f(n-1)+f(n-2)+...+f(0)
f(n-1) = f(n-2)+...+f(0)
错位相减得:
f(n) = 2*f(n-1)
初始值:
f(1) = 1
f(2) = 2*f(1) = 2
f(3) = 2*f(2) = 4
f(4) = 2*f(3) = 8
所以它是一个等比数列
f(n) = 2^(n-1)
返回结果:
f(n)
代码实现:
int jumpFloorII(int number) {
if(number <= 0)
return 0;
int total = 1;
for(int i = 1;i < number;i++)
total *= 2;
return total;
}
优化:降低时间复杂度。
上述实现的时间复杂度:O(N)
,优化为O(1)
的实现:使用移位操作
int jumpFloorII(int number) {
if(number <= 0)
return 0;
return 1 << (number-1);
}
连续子数组最大和
- 例题描述:
HZ偶尔会拿些专业问题来忽悠那些非计算机专业的同学。今天测试组开完会后,他又发话了:在古老的一维模式识别中,常常需要计算连续子向量的最大和,当向量全为正数的时候,问题很好解决。但是,如果向量中包含负数,是否应该包含某个负数,并期望旁边的正数会弥补它呢?例如{6,-3,-2,7,-15,1,2,2}
,连续子向量的最大和为8
(从第0
个开始,到第3
个为止)。给一个数组,返回它的最大连续子序列的和,你会不会被他忽悠住?(子向量的长度至少是1
)
状态:
子状态:长度为1,2,3,...,n的子数组和的最大值
F(i):长度为i的子数组和的最大值,这种定义不能形成递推关系,舍弃
F(i):以array[i]为末尾元素的子数组和的最大值
状态递推:
F(i) = max(F(i-1) + array[i],array[i])
F(i) = (F(i-1) > 0)? F(i-1) + array[i] : array[i]
初始值:F(0) = array[0]
返回结果:
maxsum:所有F(i)中的最大值
maxsum = max(maxsum,F(i))
代码实现:
int FindGreatestSumOfSubArray(vector<int> array){
if (array.empty()){
return -1;
}
// F(i)初始化
int sum = array[0];
// maxsum初始化
int maxsum = array[0];
for (int i = 1; i < array.size(); i++){
// F(i) = max(F(i-1) + array[i],array[i])
sum = (sum > 0) ? sum + array[i] : array[i];
// maxsum = max( maxsum,F(i))
maxsum = (sum < maxsum) ? maxsum : sum;
}
return maxsum;
}
字符串分割(Word Break)
- 例题描述:
给定一个字符串s
和一组单词dict
,判断s
是否可以用空格分割成一个单词序列,使得单词序列中所有的单词都是dict
中的单词(序列可以包含一个或多个单词)。
例如:
给定s
=“leetcode”
; dict=["leet", "code"].
返回true
,因为"leetcode"
可以被分割成"leet code"
.
状态:
子状态:前1,2,3,...,n个字符能否根据词典中的词被成功分词
F(i): 前i个字符能否根据词典中的词被成功分词
状态递推:
F(i): true{j < i && F(j) && substr[j+1,i]能在词典中找到} OR false
在j小于i中,只要能找到一个F(j)为true,并且从j+1到i之间的字符能在词典中找到,则F(i)为true
初始值:
对于初始值无法确定的,可以引入一个不代表实际意义的空状态,作为状态的起始
空状态的值需要保证状态递推可以正确且顺利的进行
F(0) = true
返回结果:F(n)
代码实现:
bool wordBreak(string s, unordered_set<string> &dict){
if (s.empty()){
return false;
}
if (dict.empty()){
return false;
}
// 获取词典中的单词的最大长度
int max_length = 0;
unordered_set<string>::iterator dict_iter= dict.begin();
for (; dict_iter != dict.end(); dict_iter++){
if ((*dict_iter).size() > max_length){
max_length = (*dict_iter).size();
}
}
vector<bool> can_break(s.size() + 1, false);
// 初始化 F(0) = true
can_break[0] = true;
for (int i = 1; i <= s.size(); i++){
for (int j = i - 1; j >= 0; j--){
// 如果最小子串长度大于max_length,跳过
if ((i - j) > max_length) break;
// F(i): true{j <i && F(j) && substr[j+1,i]能在词典中找到} OR false
// 第j+1个字符的索引为j
if (can_break[j] && dict.find(s.substr(j, i - j)) != dict.end()){
can_break[i] = true;
break;
}
}
}
return can_break[s.size()];
}