前言
一个本硕双非的小菜鸡,备战24年秋招,计划二刷完卡子哥的刷题计划,加油!
二刷决定精刷了,于是参加了卡子哥的刷题班,训练营为期60天,我一定能坚持下去,迎来两个月后的脱变的,加油!
推荐一手卡子哥的刷题网站,感谢卡子哥。代码随想录
动态规知识点
终于来到了守关boss。。。
动态规划中每一个状态一定是由上一个状态推导出来的
动规是由前一个状态推导出来的,而贪心是局部直接选最优的。
动规五部曲
动态规划一般分为如下五步:
- 确定dp数组(dp table)以及下标的含义
- 确定递推公式
- dp数组如何初始化
- 确定遍历顺序
- 举例推导dp数组
//1. 确定dp数组(dp table)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
解题时候多把dp数组打印出来,看看究竟是不是按照自己思路推导的。
写代码之前一定要把状态转移在dp数组的上具体情况模拟一遍,心中有数,确定最后推出的是想要的结果。
然后再写代码,如果代码没通过就打印dp数组,看看是不是和自己预先推导的哪里不一样。
如果打印出来和自己预先模拟推导是一样的,那么就是自己的递归公式、初始化或者遍历顺序有问题了。
如果和自己预先模拟推导的不一样,那么就是代码实现细节有问题。
一、123. 买卖股票的最佳时机 III
123. 买卖股票的最佳时机 III
Note:难度直线上升,多种情况需考虑
class Solution {
public:
int maxProfit(vector<int>& prices) {
if (prices.size() == 0) return 0;
//1. 确定dp数组(dp table)以及下标的含义
//重点在于对应情况具体分析,一共五个状态
//没有操作 (其实我们也可以不设置这个状态)
//第一次持有股票
//第一次不持有股票
//第二次持有股票
//第二次不持有股票
//dp[i][j]中 i表示第i天,j为 [0 - 4] 五个状态,dp[i][j]表示第i天状态j所剩最大现金。
vector<vector<int>> dp(prices.size(), vector<int>(5, 0));
//2. 确定递推公式
// dp[i][0] = dp[i - 1][0];
// dp[i][1] = max(dp[i - 1][1], dp[i - 1][0] - prices[i]);
// dp[i][2] = max(dp[i - 1][2], dp[i - 1][1] + prices[i]);
// dp[i][3] = max(dp[i - 1][3], dp[i - 1][2] - prices[i]);
// dp[i][4] = max(dp[i - 1][4], dp[i - 1][3] + prices[i]);
//3. dp数组如何初始化
dp[0][1] = -prices[0];
dp[0][3] = -prices[0];
//4. 确定遍历顺序
for (int i = 1; i < prices.size(); i++) {
dp[i][0] = dp[i - 1][0];
dp[i][1] = max(dp[i - 1][1], dp[i - 1][0] - prices[i]);
dp[i][2] = max(dp[i - 1][2], dp[i - 1][1] + prices[i]);
dp[i][3] = max(dp[i - 1][3], dp[i - 1][2] - prices[i]);
dp[i][4] = max(dp[i - 1][4], dp[i - 1][3] + prices[i]);
}
//5. 举例推导dp数组
return dp[prices.size() - 1][4];
}
};
二、188. 买卖股票的最佳时机 IV
188. 买卖股票的最佳时机 IV
Note:难度直线上升,多种情况需考虑
class Solution {
public:
int maxProfit(int k, vector<int>& prices) {
if (prices.size() == 0) return 0;
//1. 确定dp数组(dp table)以及下标的含义
//重点在于对应情况具体分析,一共五个状态
//没有操作 (其实我们也可以不设置这个状态)
//第一次持有股票
//第一次不持有股票
//第二次持有股票
//第二次不持有股票
//dp[i][j]中 i表示第i天,j为 [0 - 4] 五个状态,dp[i][j]表示第i天状态j所剩最大现金。
vector<vector<int>> dp(prices.size(), vector<int>(2 * k + 1, 0));
//2. 确定递推公式
//dp[i][j + 1] = max(dp[i - 1][j + 1], dp[i - 1][j] - prices[i]);
//dp[i][j + 2] = max(dp[i - 1][j + 2], dp[i - 1][j + 1] + prices[i]);
//3. dp数组如何初始化
for (int j = 1; j < 2 * k; j += 2) {
dp[0][j] = -prices[0];
}
//4. 确定遍历顺序
for (int i = 1;i < prices.size(); i++) {
for (int j = 0; j < 2 * k - 1; j += 2) {
dp[i][j + 1] = max(dp[i - 1][j + 1], dp[i - 1][j] - prices[i]);
dp[i][j + 2] = max(dp[i - 1][j + 2], dp[i - 1][j + 1] + prices[i]);
}
}
//5. 举例推导dp数组
return dp[prices.size() - 1][2 * k];
}
};
总结
动态规划法,和分治法极其相似。区别就是,在求解子问题时,会保存该子问题的解,后面的子问题求解时,可以直接拿来计算。