【Leetcode】198- 打家劫舍

问题简述

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 。

提示：
1 <= nums.length <= 100
0 <= nums[i] <= 400

思路分析

观察问题特性。这是一个多阶段决策最优化问题，每个阶段对应一个子问题——目前这些房屋中偷窃哪些不相邻房屋使得所获取总价值最高，后一个阶段的最优解是基于之前阶段已得到的最优解得到的，这些问题同时具有最优子结构和无后效性的特点，因此原问题适合用动态规划方法解决。

动态规划方法的基本概念

• 重叠子问题（Overlapping Subproblems）。问题的解有多种可能，每种可能的解都可以由相同类型但不同状态的子问题推断而来，同理这些子问题也会被如此这样拆解并解决。（子问题就是比原问题规模更小的同类型问题）
• 最优子结构（Optimal Substructure）。问题的最优解可以由其子问题的最优解递归地构建而成。
• 无后效性（Without Aftereffect）。指的是一个阶段的状态只与它之前的状态有关，而与其后续阶段的状态无关。
• 状态转移方程（State Transition Equation）。用于描述问题的状态和状态之间的关系，通过状态的转移得到最终问题的解。

我们以沿街房屋[2,7,3,1,9]为示例，分析每个阶段的最佳方案（最优解）如下：

• 当经过房屋1，记为问题1，可选方案只有一个，就是选择当前唯一房屋，因此最佳方案为A（选择房屋1，总价值为2）；
• 当经过房屋2，记为问题2，可选方案有：B1（选择房屋1，总价值为2）、B2（不选择房屋1=选择房屋2，总价值为7），最佳方案是B2；
• 当经过房屋3，记为问题3，可选方案有：C1（选择房屋3+子问题1的最佳方案A，总价值为5）、C2（不选择房屋3=子问题2的最佳方案B2，总价值为7），最佳方案是C2；
• 当经过房屋4，记为问题4，可选方案有：D1（ 选择房屋4+子问题2的最佳方案B2，总价值为8）、D2（不选择房屋4=子问题3的最佳方案C2，总价值为7），最佳方案是D1；
• 当经过房屋5，记为问题5，可选方案有：E1（选择房屋5+子问题3的最佳方案C2，总价值为16）、E2（不选择房屋5=子问题4的最佳方案D1，总价值为8），最佳方案为E1。

由于总共只有5个房屋，因此原问题的最优解即为最终阶段-问题5的最佳方案E1。

归纳一下，对于每一个阶段——当经过房屋k时是否选择当前房屋k，均有2种可选方案：（1）选择房屋k（则不能选择房屋k-1）并采用经过房屋k-2时的最佳方案；（2）不选择房屋k，而直接采用经过房屋k-1时的最佳方案。选择哪个方案取决于哪个方案的目前已获取价值更多。我们将经过房屋k时已获得最佳方案后的目前已获取价值记录在状态数组中dp(k)（表示当前阶段的状态，也是当前子问题的最优解），记房屋k的价值为H(k)（来自初始已提供的房屋价值信息）。那么如果我们已得到子问题的最优解，当前问题的最优解 dp(k) 就可以基于前两个子问题 dp(k-1) 和 dp(k-2) 的最优解得到，即 dp(k) = max(dp(k-1), dp(k-2)+H(k)) （状态从k-1阶段或k-2阶段转移到了k阶段，通过状态的转移最终得到原问题的解）。

代码示例

class Solution:
    def rob(self, nums: List[int]) -> int:
        dp = [0]*len(nums)
        for i in range(len(nums)):
            if i == 0:
                dp[i] = nums[0]
            elif i == 1:
                dp[i] = max(nums[0], nums[1])
            else:
                dp[i] = max(nums[i]+dp[i-2], dp[i-1])
        return dp[-1]