LeetCode 2008. 出租车的最大盈利（背包DP）_交代码。打车乘客信息存储在二维数组rides中,其中 rides[i] = [starti, end-CSDN博客

本文链接：https://blog.csdn.net/qq_43317133/article/details/134878214

题目描述

你驾驶出租车行驶在一条有 n 个地点的路上。这 n 个地点从近到远编号为 1 到 n ，你想要从 1 开到 n ，通过接乘客订单盈利。你只能沿着编号递增的方向前进，不能改变方向。

乘客信息用一个下标从 0 开始的二维数组 rides 表示，其中 $rides[i] = [start_i, end_i, tip_i]$ 表示第 i 位乘客需要从地点 starti 前往 endi ，愿意支付 tipi 元的小费。

每一位你选择接单的乘客 i ，你可以盈利 $end_i - start_i + tip_i$ 元。你同时最多只能接一个订单。

给你 n 和 rides ，请你返回在最优接单方案下，你能盈利最多多少元。

注意：你可以在一个地点放下一位乘客，并在同一个地点接上另一位乘客。

示例

示例 1

输入：n = 5, rides = [[2,5,4],[1,5,1]]

输出：7

解释：我们可以接乘客 0 的订单，获得 5 - 2 + 4 = 7 元。

示例 2

输入：n = 20, rides = [[1,6,1],[3,10,2],[10,12,3],[11,12,2],[12,15,2],[13,18,1]]

输出：20

解释：我们可以接以下乘客的订单：

将乘客 1 从地点 3 送往地点 10 ，获得 10 - 3 + 2 = 9 元。
将乘客 2 从地点 10 送往地点 12 ，获得 12 - 10 + 3 = 5 元。
将乘客 5 从地点 13 送往地点 18 ，获得 18 - 13 + 1 = 6 元。

我们总共获得 9 + 5 + 6 = 20 元。

提示

1 <= n <= 105

1 <= rides.length <= 3 * 104

rides[i].length == 3

1 <= $start_i$ < $end_i$ <= n

1 <= $tip_i$ <= 105

题解

思路

我第一眼想到的就是动态规划，然后再仔细分析了一下题目，发现每一个 ride 的组成本质上就是成本+价值，并且最终的目的就是在满足条件的情况下将 rides 装进“背包”（每个只能拿一次）以获得最大的总“价值”，所以直接往背包DP上想了。

在代码实现之前，我们可以先确定一下dp的状态转移方程。假设 dp[i] 为到达地点 i 时的最优决策值，那么最终我们要得到的结果就是 dp[n]。套用背包dp的模板，我们在遍历到第 j 个商品（即 ride）时，状态转移方程为
$dp[end_j] = max(dp[end_j], dp[start_j]+worth_j).$
其中， $worth_j$ 依题意等于 $end_j-start_j+tip_j$ 。

于是我们只需要从地点 1 遍历到地点 n 不断地更新当前地点的最优解，最终的 dp[n] 就是我们所求的答案。那么，从状态转移方程中可以看出，当我们遍历到地点 i 时，我们需要考虑的只有 end==i 的 ride；如果没有对应的ride能够“装入背包”，说明当前没有需要做的决策，当前的最优解 dp[i] = dp[i-1]。

如此的话，与经典的背包dp问题不同的是，我们可以把 rides 数组根据 end 的大小进行排序，同时不断维护 rides 中 end 的最大值始终大于当前地点 i，这样我们只需要不断从排序后的 rides 数组的一端取出用于决策的 ride，而无需像经典背包dp一样每次决策都遍历所有“商品”。

代码实现

class Solution {
public:
    long long maxTaxiEarnings(int n, vector<vector<int>>& rides) {
        vector<long long> dp(n+1, 0);
        sort(rides.begin(), rides.end(), [](const vector<int> &a, const vector<int> &b) {
            return a[1] > b[1];
        });  // 这里我选择按照 end 的值从大到小排序，这样每次可以只从数组尾部取出ride，节省数组整体移动的复杂度

        for (int i=1; i<=n; i++) {  // dp[i] 表示到达第 i 个站点时的最大收益
            dp[i] = dp[i-1];  // 默认继承上一站点的最优解
            while (!rides.empty() && rides.back()[1]==i) {  // 满足 end==i 的 ride，将其取出，并加入最优解的决策中
                long long start=rides.back()[0], end=rides.back()[1];
                long long worth=end-start+rides.back()[2];
                dp[i] = max(dp[i], dp[start]+worth);
                rides.pop_back();
            }
        }
        return dp[n];  // 终点站的最优解即最终答案
    }
};