目录
简介
动态规划一般是解决最值问题,运筹学中的一种最优化方法,比如求最长递增子序列,最小编辑距离
核心问题:穷举,但是动态规划存在重叠子问题,暴力穷举效率较低
所以需要一个备忘录或者DP table来优化穷举过程,避免一些不必要的计算
穷举还需要写出正确的状态转移方程
所以整体步骤是:明确 base case -> 明确「状态」-> 明确「选择」 -> 定义 dp 数组/函数的含义
# 初始化 base case
dp[0][0][...] = base
# 进行状态转移
for 状态1 in 状态1的所有取值:
for 状态2 in 状态2的所有取值:
for ...
dp[状态1][状态2][...] = 求最值(选择1,选择2...)
举例
斐波那切数列
暴力递归
暴力递归的形式,如果N=20,则计算f(20)时需要计算f(19)+f(18),计算f(19)时还需要计算f(18),则f(18)会被计算两次,这个算法的时间复杂度为O(2^n),指数级别,爆炸
int fib(int N) {
if (N == 1 || N == 2) return 1;
return fib(N - 1) + fib(N - 2);
}
带备忘录的递归解法
声明一个表,叫做DP table,自低向上的记录
def fib(n):
if n == 0:
return 0
if n == 1 or n == 2:
return 1
dp = [0, 1, 2]
for i in range(3, n + 1):
temp = dp[i - 1] + dp[i - 2]
dp.append(temp)
return dp[n]
if __name__ == '__main__':
n = 20
result = fib(n)
print(result)
这里引出状态转移方程为:
在这个例子中,其实我们只是需要DP table中的一部分,可以尝试压缩DP table的大小,只记录必要的数据,上述的DPtable可以从n缩小到2
def fib(n):
if n == 0:
return 0
if n == 1 or n == 2:
return 1
pre = 1
sec = 2
for i in range(3, n + 1):
sum = pre + sec
pre = sec
sec = sum
return sum
if __name__ == '__main__':
n = 20
result = fib(n)
凑零钱问题
先看下题目:给你 k
种面值的硬币,面值分别为 c1, c2 ... ck
,每种硬币的数量无限,再给一个总金额 amount
,问你最少需要几枚硬币凑出这个金额,如果不可能凑出,算法返回 -1 。
比如说 k = 3
,面值分别为 1,2,5,总金额 amount = 11
。那么最少需要 3 枚硬币凑出,即 11 = 5 + 5 + 1。
暴力递归
符合最优子结构,子问题必须相互独立
按照前边介绍动态规划中的步骤:
- 确定base case,显然目标金额为0时,算法返回0
- 确定状态:也就是原问题和子问题中会变化的变量,由于硬币数量无限,硬币的面额是给定的,唯一的状态是【目标金额】
- 确定选择:也就是导致状态发生变化的行为,目标金额为什么会变化呢,是因为你在选择硬币,你没选择一枚硬币,就相当于减少了目标金额,所以所有硬币的选择,就是你的选择
- 明确
dp
函数/数组的定义:
dp(n)
的定义:输入一个目标金额 n
,返回凑出目标金额 n
的最少硬币数量
带备忘录的递归
dp数据的迭代解法
我们可以底向上使用dp table来消除重叠子问题
代码:
def coin_change(coins, account):
# 初始化dp,先辅个最大值
dp = [account + 1] * (account + 1)
# step1 定义初始状态base case
dp[0] = 0
# 外层for循环,遍历状态所有值
for i in range(len(dp)):
# 内层for循环,遍历所求情况的最小值
for coin in coins:
# 子问题无解,跳过
if (i - coin) < 0:
continue
dp[i] = min(dp[i], 1 + dp[i - coin])
if dp[account] == account + 1:
return -1
else:
return dp[account]