7.12 LeetCode刷题记录（动态规划，简单x1，中等x2）

7.12 LeetCode刷题记录(动态规划，简单x1，中等x2)

1 动态规划概念

动态规划(英语：Dynamic programming，简称 DP)，是一种在数学、管理科学、计算机科学、经济学和生物信息学中使用的，通过把原问题分解为相对简单的子问题的方式求解复杂问题的方法。动态规划常常适用于有重叠子问题和最优子结构性质的问题。

单来说，动态规划其实就是，给定一个问题，我们把它拆成一个个子问题，直到子问题可以直接解决。然后呢，把子问题答案保存起来，以减少重复计算。再根据子问题答案反推，得出原问题解的一种方法。

核心思想：拆分子问题，记住过往，减少重复计算。

2 基础动态规划问题——青蛙跳阶问题

题目：一只青蛙一次可以跳上1级台阶，也可以跳上2级台阶。求该青蛙跳上一个 n 级的台阶总共有多少种跳法。
答案需要取模 1e9+7(1000000007)，如计算初始结果为：1000000008，请返回 1。

示例 1：

输入：n = 2
输出：2

示例 2：

输入：n = 7
输出：21

示例 3：

输入：n = 0
输出：1

way 1 数组备忘录法(自底向上)：

读题：青蛙跳0阶阶梯时，只有1种可能，跳1阶阶梯，只有1种可能，跳2阶阶梯时，有1+1种可能。由此类推，青蛙跳n阶阶梯时，有\(f(n-1)+f(n-2)\)种可能。

代码如下：

class Solution(object):
    def numWays(self, n):
        dp = [1,1]
        for i in range(2,n+1):
            dp.append(dp[i-2]+dp[i-1])
        return dp[n] % 1000000007

需要注意的是，range的范围以及数组的添加函数append()。

way 2 二数备忘录法(自底向上)：

思路：因为每次只需要前两个值相加，可以进一步优化空间

class Solution(object):
    def numWays(self, n):
        x,y = 1,1
        for i in range(n):
            x , y = y , x+y
        return x %  1000000007

需要注意的是，range的范围，以及x，y的对应赋值。

总结

在上述例子中，我们分别采用了两种方法，第一种是基础备忘录方法，即利用数组记录每一阶段的数值从而进行递归，在此之上的第二种则是优化了空间进行的备忘录方法。

但是在此还需要注意一点，最原始的方法——暴力递归法多具有的复杂与重复性，由下图我们可以很明显的看出在递归过程中的重复性，所以单纯的暴力递归法往往会呈现指数爆炸式的空间占用及耗时，所以在此我们采用备忘录法。

3 动态规划的解题套路

什么样的问题可以考虑使用动态规划解决呢？

★ 如果一个问题，可以把所有可能的答案穷举出来，并且穷举出来后，发现存在重叠子问题，就可以考虑使用动态规划。

比如一些求最值的场景，如最长递增子序列、最小编辑距离、背包问题、凑零钱问题等等，都是动态规划的经典应用场景。

动态规划的解题思路

动态规划的核心思想就是拆分子问题，记住过往，减少重复计算。 并且动态规划一般都是自底向上的，因此到这里，基于青蛙跳阶问题，我总结了一下我做动态规划的思路：

• 穷举分析

• 确定边界

• 找出规律，确定最优子结构

• 写出状态转移方程

(1)穷举分析

• 当台阶数是1的时候，有一种跳法， \(f(1)=1\)
• 当只有2级台阶时，有两种跳法，第一种是直接跳两级，第二种是先跳一级，然后再跳一级。即f(2) = 2;
• 当台阶是3级时，想跳到第3级台阶，要么是先跳到第2级，然后再跳1级台阶上去，要么是先跳到第 1级，然后一次迈 2 级台阶上去。所以 \(f(3) = f(2) + f(1) =3\)
• 当台阶是4级时，想跳到第3级台阶，要么是先跳到第3级，然后再跳1级台阶上去，要么是先跳到第 2级，然后一次迈 2 级台阶上去。所以\(f(4) = f(3) + f(2) =5\)
• 当台阶是5级时......

(2)确定边界

通过穷举分析，我们发现，当台阶数是1的时候或者2的时候，可以明确知道青蛙跳法。\(f(1) =1\)，\(f(2) = 2\)，当台阶 \(n>=3\) 时，已经呈现出规律 \(f(3) = f(2) + f(1) =3\) ，因此 \(f(1) =1\)，\(f(2) = 2\) 就是青蛙跳阶的边界。

(3)找规律，确定最优子结构

\(n>=3\) 时，已经呈现出规律 \(f(n) = f(n-1) + f(n-2)\) ，因此，\(f(n-1)\) 和 \(f(n-2)\) 称为 \(f(n)\) 的最优子结构。什么是最优子结构？有这么一个解释：

★ 一道动态规划问题，其实就是一个递推问题。假设当前决策结果是f(n),则最优子结构就是要让 \(f(n-k)\) 最优,最优子结构性质就是能让转移到n的状态是最优的,并且与后面的决策没有关系,即让后面的决策安心地使用前面的局部最优解的一种性质

(4)写出状态转移方程

通过前面3步，穷举分析，确定边界，最优子结构，我们就可以得出状态转移方程啦：

(5)代码实现

我们实现代码的时候，一般注意从底往上遍历哈，然后关注下边界情况，空间复杂度，也就差不多啦。动态规划有个框架的，大家实现的时候，可以考虑适当参考一下：

dp[0][0][...] = 边界值
for(状态1 ：所有状态1的值){
    for(状态2 ：所有状态2的值){
        for(...){
          //状态转移方程
          dp[状态1][状态2][...] = 求最值
        }
    }
}

4 例题：最长递增子序列(中等难度)

题目

给你一个整数数组 nums ，找到其中最长严格递增子序列的长度。

子序列是由数组派生而来的序列，删除(或不删除)数组中的元素而不改变其余元素的顺序。例如，[3,6,2,7] 是数组 [0,3,1,6,2,2,7] 的子序列。

示例 1：

输入：nums = [10,9,2,5,3,7,101,18]
输出：4
解释：最长递增子序列是 [2,3,7,101]，因此长度为 4 。

示例 2：

输入：nums = [0,1,0,3,2,3]
输出：4

示例 3：

输入：nums = [7,7,7,7,7,7,7]
输出：1

解答

我们按照以上动态规划的解题思路，

• 穷举分析
• 确定边界
• 找规律，确定最优子结构
• 状态转移方程

(1)穷举分析

因为动态规划，核心思想包括拆分子问题，记住过往，减少重复计算。 所以我们在思考原问题：数组num[i]的最长递增子序列长度时，可以思考下相关子问题，比如原问题是否跟子问题num[i-1]的最长递增子序列长度有关呢？

(2)自顶向上的穷举

这里观察规律，显然是有关系的，我们还是遵循动态规划自底向上的原则，基于示例1的数据，从数组只有一个元素开始分析。

• 当nums只有一个元素10时，最长递增子序列是[10],长度是1.
• 当nums需要加入一个元素9时，最长递增子序列是[10]或者[9],长度是1。
• 当nums再加入一个元素2时，最长递增子序列是[10]或者[9]或者[2],长度是1。
• 当nums再加入一个元素5时，最长递增子序列是[2,5],长度是2。
• 当nums再加入一个元素3时，最长递增子序列是[2,5]或者[2,3],长度是2。
• 当nums再加入一个元素7时，,最长递增子序列是[2,5,7]或者[2,3,7],长度是3。
• 当nums再加入一个元素101时，最长递增子序列是[2,5,7,101]或者[2,3,7,101],长度是4。
• 当nums再加入一个元素18时，最长递增子序列是[2,5,7,101]或者[2,3,7,101]或者[2,5,7,18]或者[2,3,7,18],长度是4。
• 当nums再加入一个元素7时,最长递增子序列是[2,5,7,101]或者[2,3,7,101]或者[2,5,7,18]或者[2,3,7,18],长度是4.

(3)分析找规律，拆分子问题

通过上面分析，我们可以发现一个规律：

如果新加入一个元素nums[i], 最长递增子序列要么是以nums[i]结尾的递增子序列，要么就是nums[i-1]的最长递增子序列。看到这个，是不是很开心，nums[i]的最长递增子序列已经跟子问题 nums[i-1]的最长递增子序列有关联了。

原问题数组nums[i]的最长递增子序列 = 子问题数组nums[i-1]的最长递增子序列/nums[i]结尾的最长递增子序列

是不是感觉成功了一半呢？但是如何把nums[i]结尾的递增子序列也转化为对应的子问题呢？要是nums[i]结尾的递增子序列也跟nums[i-1]的最长递增子序列有关就好了。又或者nums[i]结尾的最长递增子序列，跟前面子问题num[j](0=<j<i)结尾的最长递增子序列有关就好了，带着这个想法，我们又回头看看穷举的过程：

nums[i]的最长递增子序列，不就是从以数组num[i]每个元素结尾的最长子序列集合，取元素最多(也就是长度最长)那个嘛，所以原问题，我们转化成求出以数组nums每个元素结尾的最长子序列集合，再取最大值嘛。哈哈，想到这，我们就可以用dp[i]表示以num[i]这个数结尾的最长递增子序列的长度啦，然后再来看看其中的规律：

其实，nums[i]结尾的自增子序列，只要找到比nums[i]小的子序列，加上nums[i] 就可以啦。显然，可能形成多种新的子序列，我们选最长那个，就是dp[i]的值啦

• nums[3]=5,以5结尾的最长子序列就是[2,5],因为从数组下标0到3遍历，只找到了子序列[2]比5小，所以就是[2]+[5]啦，即dp[4]=2
• nums[4]=3,以3结尾的最长子序列就是[2,3],因为从数组下标0到4遍历，只找到了子序列[2]比3小，所以就是[2]+[3]啦，即dp[4]=2
• nums[5]=7，以7结尾的最长子序列就是[2,5,7]和[2,3,7],因为从数组下标0到5遍历，找到2,5和3都比7小，所以就有[2,7],[5,7],[3,7],[2,5,7]和[2,3,7]这些子序列，最长子序列就是[2,5,7]和[2,3,7]，它俩不就是以5结尾和3结尾的最长递增子序列+[7]来的嘛！所以，**dp[5]=3 =dp[3]+1=dp[4]+1**。

”

很显然有这个规律：一个以nums[i]结尾的数组nums

• 如果存在j属于区间[0，i-1],并且num[i]>num[j]的话，则有，dp(i) =max(dp(j))+1，

(3)最简单的边界情况

当nums数组只有一个元素时，最长递增子序列的长度dp(1)=1,当nums数组有两个元素时，dp(2) =2或者1， 因此边界就是dp(1)=1。

(4)确定最优子结构

从穷举分析，我们可以得出，以下的最优结构：

dp(i) =max(dp(j))+1，存在j属于区间[0，i-1],并且num[i]>num[j]。

max(dp(j)) 就是最优子结构。

(5)状态转移方程

通过前面分析，我们就可以得出状态转移方程啦：

所以数组num[i]的最长递增子序列就是：

最长递增子序列 =max(dp[i])

(6)代码实现

class Solution(object):
    def lengthOfLIS(self, nums):
            if len(nums) == 0:
                return 0
            dp = []
            for i in range(len(nums)):
                dp.append(1)
                for j in range(i):
                    if nums[i] > nums[j]:
                        dp[i] = max(dp[i], dp[j]+1)
            return max(dp)

需要注意的是两个循环变量 i,j 的对应内容以及两个数组的对应内容，最后返回的为 max(dp)而不是 dp[len(nums)] ，因为最后一个可能和其他数字形成一个较小的序列数，而不是最大的那个。

5 测验：解决智力问题(中等难度)

题目

给你一个下标从 0 开始的二维整数数组 questions ，其中 $questions[i] = [pointsi, brainpoweri] $。

这个数组表示一场考试里的一系列题目，你需要 按顺序 (也就是从问题 0 开始依次解决)，针对每个问题选择 解决 或者 跳过 操作。解决问题 i 将让你 获得 pointsi 的分数，但是你将 无法 解决接下来的 brainpoweri 个问题(即只能跳过接下来的 brainpoweri 个问题)。如果你跳过问题 i ，你可以对下一个问题决定使用哪种操作。

比方说，给你 questions = [[3, 2], [4, 3], [4, 4], [2, 5]] ：
如果问题 0 被解决了， 那么你可以获得 3 分，但你不能解决问题 1 和 2 。
如果你跳过问题 0 ，且解决问题 1 ，你将获得 4 分但是不能解决问题 2 和 3 。
请你返回这场考试里你能获得的 最高 分数。

示例 1：
 
 输入：questions = [[3,2],[4,3],[4,4],[2,5]]
 输出：5
 解释：解决问题 0 和 3 得到最高分。
 
 - 解决问题 0 ：获得 3 分，但接下来 2 个问题都不能解决。
 - 不能解决问题 1 和 2
 - 解决问题 3 ：获得 2 分
   总得分为：3 + 2 = 5 。没有别的办法获得 5 分或者多于 5 分。

示例 2：
 
 输入：questions = [[1,1],[2,2],[3,3],[4,4],[5,5]]
 输出：7
 解释：解决问题 1 和 4 得到最高分。
 
 - 跳过问题 0
 - 解决问题 1 ：获得 2 分，但接下来 2 个问题都不能解决。
 - 不能解决问题 2 和 3
 - 解决问题 4 ：获得 5 分
   总得分为：2 + 5 = 7 。没有别的办法获得 7 分或者多于 7 分。

解答

我们用 \(\textit{dp}[i]\) 来表示解决第 \(i\) 道题目及以后的题目可以获得的最高分数。同时，我们从后往前遍历题目，并更新 \(\textit{dp}\) 数组。类似地，根据是否选择解决第 \(i\) 道题目，会有以下两种情况：

不解决第 \(i\) 道题目，此时 \(\textit{dp}[i] = \textit{dp}[i+1]\)；
解决第 \(i\) 道题目，我们只能解决下标大于 \(i + \textit{brainpower}[i]\) 的题目，而此时根据 \(\textit{dp}\) 数组的定义，解决这些题目的最高分数为 \(dp[i + \textit{brainpower}[i] + 1]\)(当 \(i \ge n\) 的情况下，我们认为 \(dp[i] = 0\))。因此，我们有：\(\textit{dp}[i] = \textit{points}[i] + dp[i + \textit{brainpower}[i] + 1]\).

综合上述两种情况，我们就得出了 \(\textit{dp}[i]dp[i]\) 的状态转移方程：

\(\textit{dp}[i] = \max(\textit{dp}[i+1], \textit{points}[i] + dp[i + \textit{brainpower}[i] + 1])\).

在实际计算中，考虑到 \(i \ge n\) 的边界条件，我们在定义 \(\textit{dp}\) 数组时，可以预留 \(dp[n] = 0\) 用来表示没有做任何题目的分数。那么上面的转移方程变为：

\(\textit{dp}[i] = \max(\textit{dp}[i+1], \textit{points}[i] + dp[\min(n, i + \textit{brainpower}[i] + 1)])\).

最终，\(dp[0]\) 即为考试中可以获得的最高分数，我们返回该数值作为答案。

class Solution(object):
    def mostPoints(self, questions):
        n = len(questions)
        dp = [0] * (n + 1)   # 解决每道题及以后题目的最高分数
        for i in range(n):
            dp[i] = max(dp[i + 1], questions[i][0] + dp[min(n, i + questions[i][1] + 1)])
        return max(dp)

需要注意的是，dp[5] = 0 ，即表示全部跳过，dp得到的是第 i 个所能得到的最大分数，所以第 4 个为 2 ，由于同时判断了自身和下一个的大小，所以第 0 个必定是最大。