动态规划——阶段小结
最长公共子序列
题目描述
若给定序列 X = X= X={ x 1 , x 2 , ⋯ , x m x_1,x_2,\cdots,x_m x1,x2,⋯,xm},和 Y = Y= Y={ y 1 , y 2 , ⋯ , y m y_1,y_2,\cdots,y_m y1,y2,⋯,ym},需要求X和Y的最长公共子序列
思路分析
考虑自下而上的方式,设dp[i][j]代表对于 X X X下标在(0,i)和对于 Y Y Y下标在(0,j)内的最长公共子序列
根据情况分类讨论:
首先确定边界条件,dp[0][0]=0(此时没有元素,下标从1开始)
分割点应当是 X[i]是否与Y[i]相同
状态转移方程应如下所示
d
p
[
i
]
[
j
]
=
{
d
p
[
i
−
1
]
[
j
−
1
]
+
1
X
[
i
]
=
=
Y
[
j
]
m
a
x
(
d
p
[
i
−
1
]
[
j
]
,
d
p
[
i
]
[
j
−
1
]
)
X
[
i
]
!
=
Y
[
j
]
dp[i][j]= \left\{ \begin{array}{rcl}dp[i-1][j-1]+1 & X[i]==Y[j] \\max(dp[i-1][j],dp[i][j-1]) & X[i]!=Y[j]\end{array}\right.
dp[i][j]={dp[i−1][j−1]+1max(dp[i−1][j],dp[i][j−1])X[i]==Y[j]X[i]!=Y[j]
代码
class Solution:
def longestCommonSubsequence(self, text1: str, text2: str) -> int:
len1,len2=len(text1),len(text2)
dp=[[0]*(len2+2) for _ in range(len1+2)]
dp[0][0]=0
for i in range(1,len1+1):
for j in range(1,len2+1):
if text1[i-1]==text2[j-1]:
dp[i][j]=dp[i-1][j-1]+1
else:
dp[i][j]=max(dp[i-1][j],dp[i][j-1])
return dp[len1][len2]
注意
这里text1和 text2的下标是0开始,而dp是1开始,要注意好区分
凸多边形最优三角剖分
题目描述
用多边形顶点的逆时针序列表示凸多边形,即 P = P= P={ v 1 , v 2 , ⋯ , v m v_1,v_2,\cdots,v_m v1,v2,⋯,vm}表示具有m条边的凸多边形
多边形的三角剖分是将多边形分割成互不相交的三角形的弦的集合T
对于给定的凸多边形P,以及定义在由多边形的三个顶点组成的三角形上的权函数 w ( v i v k v j ) w(v_iv_kv_j) w(vivkvj)。要求确定最优三角剖分,使在该三角剖分上诸三角形上权之和为最小
思路分析
此题类似于矩阵的连乘最优次数
可以分析出多边形的最优三角剖分具有最优子结构的特点,即对于一个最优的三角剖分,其子图形的三角剖分也是最优的
如同矩阵连乘和扎气球问题,我们只需要从区间2开始遍历到n即可
状态转移方程应如下所示
d
p
[
i
]
[
j
]
=
{
0
i
>
=
j
m
i
n
(
d
p
[
i
]
[
k
]
+
d
p
[
k
+
1
]
[
j
]
+
v
[
i
−
1
]
v
[
k
]
v
[
j
]
)
i
<
j
其
中
k
∈
[
i
+
1
,
j
−
1
]
dp[i][j]= \left\{ \begin{array}{rcl}0 & i>=j \\min(dp[i][k]+dp[k+1][j]+v[i-1]v[k]v[j]) & i<j 其中k\in[i+1,j-1]\end{array}\right.
dp[i][j]={0min(dp[i][k]+dp[k+1][j]+v[i−1]v[k]v[j])i>=ji<j其中k∈[i+1,j−1]
代码
class Solution:
def minScoreTriangulation(self, values):
lens=len(values)
dp=[[0]*(lens+1) for _ in range(lens+1)]
dp[0][0]=0
for r in range(2,lens):
for i in range(1,lens-r+1):
j=i+r-1
dp[i][j]=dp[i+1][j]+values[i-1]*values[i]*values[j]
for k in range(i+1,j):
temp=dp[i][k]+dp[k+1][j]+values[i-1]*values[k]*values[j]
if temp<dp[i][j]:
dp[i][j]=temp
return dp[1][lens-1]
注意
这里的中间是 v a l u e s [ i − 1 ] ∗ v a l u e s [ k ] ∗ v a l u e s [ j ] values[i-1]*values[k]*values[j] values[i−1]∗values[k]∗values[j] 而非 v a l u e s [ i ] ∗ v a l u e s [ k ] ∗ v a l u e s [ j ] values[i]*values[k]*values[j] values[i]∗values[k]∗values[j]
股票买卖问题
题目描述
给定一个股价的序列,决定在何日买入和何日卖出来获得最大利益
如[7,1,5,3,6,4]可以选择在第二天买入,第五天卖出,得到最大利润6-1=5
思路分析
用dp[i][0]来代表第i天不持股,dp[i][1]来代表第i天持股
那么对于dp[i][0]来说,如果前一天不持股,那么就等于dp[i-1][0];如果前一天持股,那么就等于dp[i-1][1]+prices[i]即当天必须卖出
那么对于dp[i][1]来说,如果前一天持股,那么就等于dp[i-1][1];如果前一天不持股,那么就等于-prices[i]即当天必须买入
状态转移方程应如下所示
d
p
[
i
]
[
0
]
=
m
a
x
(
d
p
[
i
−
1
]
[
0
]
,
d
p
[
i
−
1
]
[
1
]
+
p
r
i
c
e
s
[
i
]
)
dp[i][0]=max(dp[i-1][0],dp[i-1][1]+prices[i])
dp[i][0]=max(dp[i−1][0],dp[i−1][1]+prices[i])
d p [ i ] [ 1 ] = m a x ( d p [ i − 1 ] [ 1 ] , − p r i c e s [ i ] ) dp[i][1]=max(dp[i-1][1],-prices[i]) dp[i][1]=max(dp[i−1][1],−prices[i])
很容易看出dp[i][0]里维护的是到第i天时的最大利润,dp[i][1]里维护的是到第i天时最佳的买入价格
代码
class Solution:
def maxProfit(self, prices) -> int:
lens=len(prices)
dp=[[0]*2 for _ in range(lens+2)]
dp[0][0]=0
dp[0][1]=-prices[0]
for i in range(1,lens):
dp[i][0]=max(dp[i-1][0],dp[i-1][1]+prices[i])
dp[i][1]=max(dp[i-1][1],-prices[i])
return dp[lens-1][0]