LeetCode - 120. Triangle

题目中给出的三角形有一个树状的结构，这就可以让我们想到使用遍历之类的算法比如说DFS。但是如果我们忍者你分析一下的话，可以发现相邻的结点总是分享同一条边，也就是说，这道题目中存在重叠子问题(overlapping subproblems)。另外，假设结点x和结点y是k的孩子，只要从底层到结点x和y的最短路径长度都能够知道，那么从底层到结点k的最短路径长度可以在O(1)时间内判断出来，这就是最优子结构(optimal subtructure)。因此，就时间复杂度考虑，动态规划或许是一个不错的解法。

我们从底层向上看，也就是Bottom-up DP，最底层结点的minPath就是它们自身的值，而上一层节点的minPath是它下方左侧结点和下方右侧节点的最小值加上自身的值，根据这个规律，我们可以写出下面的递推式：

minPath[k][i] = min(minPath[k + 1][i], minPath[k + 1][i + 1]) + triangle[k][i]；

到现在我们已经可以解决这道题目了，但是我们额外需要题目给出的triangle大小的额外空间用来存储中间结果，当triangle很大的时候，这个算法可能会消耗大量的内存，那么这个算法可否进行优化呢？答案是可以的，进一步地观察我们可以发现，当第k层的所有结点的minPath都已经计算出来之后，第k + 1层所有阶段的minPath都已经不再会用到了，所以我们可以使用一个数组，通过不断地赋给它每一层结点的minPath实现递推和迭代，也就是下面的公式：

minPath[k] = min(minPath[k] + minPath[k + 1]) + triangle[k][i](这里等号右侧的minPath[k]和minPath[k + 1]是上一层的minPath，等号左侧为这一层的minPath)；

注意在最底层的时候，元素的数量为n，根据上面的递推式，我们需要长度为n + 1的数组。这个算法的时间复杂度为O(n*2)，空间复杂度为O(n)，代码如下：

public class Solution {
    public int minimumTotal(List<List<Integer>> triangle) {
        if(triangle == null || triangle.size() == 0 || triangle.get(0).size() == 0) return 0;      // corner case
        
        int[] minLength = new int[triangle.size() + 1];
        for(int layer = triangle.size() - 1; layer >= 0; layer--){
            for(int i = 0; i < triangle.get(layer).size(); i++){
                minLength[i] = triangle.get(layer).get(i) + Math.min(minLength[i], minLength[i + 1]);
            }
        }
        
        return minLength[0];
    }
}

知识点：

1. 动态规划问题的分析思路

2. 动态规划的优化方式，首先写出非优化版本的算法，然后在使用空间的问题上通过分析问题发现是否可以迭代，如果可以迭代则进行优化