【动态规划】【官解+整洁度优化+状态压缩-空间优化算法】力扣198.打家劫舍

你是一个专业的小偷，计划偷窃沿街的房屋。每间房内都藏有一定的现金，影响你偷窃的唯一制约因素就是相邻的房屋装有相互连通的防盗系统，如果两间相邻的房屋在同一晚上被小偷闯入，系统会自动报警。

给定一个代表每个房屋存放金额的非负整数数组，计算你 不触动警报装置的情况下 ，一夜之内能够偷窃到的最高金额。

示例 1：

输入：[1,2,3,1]
输出：4
解释：偷窃 1 号房屋 (金额 = 1) ，然后偷窃 3 号房屋 (金额 = 3)。
偷窃到的最高金额 = 1 + 3 = 4 。
示例 2：

输入：[2,7,9,3,1]
输出：12
解释：偷窃 1 号房屋 (金额 = 2), 偷窃 3 号房屋 (金额 = 9)，接着偷窃 5 号房屋 (金额 = 1)。
偷窃到的最高金额 = 2 + 9 + 1 = 12 。

官方解法

class Solution {
public:
    int rob(vector<int>& nums) {
        if(nums.empty()){
            return 0;
        }
        if(nums.size() == 1){
            return nums[0];
        }
        vector<int> dp = vector<int>(nums.size(),0);
        dp[0] = nums[0];
        dp[1] = max(nums[0],nums[1]);
        for(int i = 2;i < nums.size(); i++){
            dp[i] = max(dp[i-2]+nums[i], dp[i-1]);
        }
        return dp[nums.size() - 1];
    }
};

时间复杂度为 O(n)
空间复杂度为 O(n)

解决这个问题的动态规划思想就是，用一个动态规划数组dp来储存前 i 家最多可偷窃金额，而dp[i]的最大金额，由之前盗窃过的房屋的最大金额，以及nums[i]目前房屋可盗窃金额两者组成。在计算dp[i]的的时候，会出现两种情况，一种是第 i 间房屋不被盗窃，这个时候，dp[i]将会与dp[i-1]相等；另一种情况是第 i 间房屋被盗窃，这时候第 i - 1家房屋不能被盗窃，所以dp[i] = dp[i-2] + nums[i]。所以可以列出状态转移方程dp[i]=max(dp[i−2]+nums[i],dp[i−1])。由于我们让i = 0时候表示第一间房屋，所以dp最大索引为nums.size() - 1，返回dp[nums.size() - 1]即可。

简洁度优化

class Solution {
public:
    int rob(vector<int> &nums) {
        int n = nums.size();
        vector<int> f(n + 2);
        for (int i = 0; i < n; ++i)
            f[i + 2] = max(f[i + 1], f[i] + nums[i]);
        return f.back();
    }
};

时间复杂度为 O(n)
空间复杂度为 O(n)

将整体向后偏移两位，避免手动初始化，使得代码简洁，但是会造成额外两个元素的空间浪费。

状态压缩-空间优化算法

class Solution {
public:
    int rob(vector<int> &nums) {
        int f0 = 0, f1 = 0;
        for (int x : nums) {
            int new_f = max(f1, f0 + x);
            f0 = f1;
            f1 = new_f;
        }
        return f1;
    }
};

时间复杂度: O(n)
空间复杂度: O(1)

在上述状态转移方程中，要计算 dp[i]，只需要 dp[i-1] 和 dp[i-2]。因此，不需要存储整个 dp 数组，只需存储两个变量来记录 dp[i-1] 和 dp[i-2] 即可。这两个变量可以被更新以反映当前和前一个状态。所以定义f0和f1两个持久变量，new_f这个临时变量就可以反映状态转移方程。