动态规划是算法面试的一个重点,在力扣上有很多这类题目,题目是刷不完的,将动态规划的全部类型题目刷一遍可以达到事半功倍的效果。
1.线性动态规划
1.1 子序列系列:
题目一:最长上升子序列(300. 最长上升子序列)
题解:注意这里要求的子序列不是连续的,使用动态规划,dp[i]表示的是以下标i的数字作为结尾不连续最长上升子序列的长度,动态转移方程:dp[i] = max{dp[j] + 1, (0 <= j < i,a[j] < a[i]},dp表的初始状态为1,最后统计表中的最大值即为该序列的最长上升子序列。
代码如下:
class Solution {
public int lengthOfLIS(int[] nums) {
// 参数判断
if (null == nums || 0 == nums.length) {
return 0;
}
int[] dp = new int[nums.length];
int res = 0;
for (int i = 0; i < nums.length; i ++) {
// 初始值
dp[i] = 1;
for (int j = 0; j < i; j ++) {
if (nums[j] < nums[i]) {
// 在以nums[i]结尾的所有子序列中筛选出最大值
dp[i] = Math.max(dp[i], dp[j] + 1);
}
}
// dp表中筛选出最大值即是答案
res = Math.max(res, dp[i]);
}
return res;
}
}
题目二:最长连续上升子序列(674. 最长连续递增序列)
题解:注意这里求的是连续子序列,使用动态规划,dp[i]表示的是以下标i的数字作为结尾最长连续子序列的长度,动态转移方程:(dp[i] = dp[i - 1] + 1,a[i-1] < a[i];dp[i] = 1,a[i - 1] > a[i]),最后统计表中的最大值即为该序列的最长连续上升子序列。
代码如下:
class Solution {
public int findLengthOfLCIS(int[] nums) {
// 参数判断
if (null == nums || 0 == nums.length) {
return 0;
}
int[] dp = new int[nums.length];
dp[0] = 1;
int res = dp[0];
for (int i = 1; i < nums.length; i ++) {
// nums[i] 大于前面一个nums[i - 1]
if (nums[i] > nums[i - 1]) {
dp[i] = dp[i - 1] + 1;
// nums[i] 小于前面一个nums[i - 1],最长连续上升子序列即为他自己
} else {
dp[i] = 1;
}
// 筛选出最大值即是答案
res = Math.max(res, dp[i]);
}
return res;
}
}
题目三:最长公共子序列(1143. 最长公共子序列)
题解:状态转移方程:
代码如下:
class Solution {
public int longestCommonSubsequence(String text1, String text2) {
if (null == text1 || 0 == text1.length() || null == text2 || 0 == text2.length()) {
return 0;
}
int[][] dp = new int[text1.length()][text2.length()];
char[] t1 = text1.toCharArray();
char[] t2 = text2.toCharArray();
dp[0][0] = t1[0] == t2[0] ? 1 : 0;
for (int i = 1; i < text1.length(); i ++) {
dp[i][0] = Math.max(dp[i - 1][0], t1[i] == t2[0] ? 1 : 0);
}
for (int j = 1; j < text2.length(); j ++) {
dp[0][j] = Math.max(dp[0][j - 1], t2[j] == t1[0] ? 1 : 0);
}
for (int i = 1; i < text1.length(); i ++) {
for (int j = 1; j < text2.length(); j ++) {
dp[i][j] = Math.max(dp[i - 1][j], dp[i][j - 1]);
if (t1[i] == t2[j]) {
dp[i][j] = Math.max(dp[i][j], dp[i - 1][j - 1] + 1);
}
}
}
return dp[text1.length() - 1][text2.length() - 1];
}
}
题目四:最长公共连续子序列
题解:定义状态:dp[i][j]以i为下标a[i],b[j]字符结尾的公共连续子序列。
代码如下:
public static int lcs(String str1, String str2) {
int len1 = str1.length();
int len2 = str2.length();
int result = 0; //记录最长公共子串长度
int c[][] = new int[len1+1][len2+1];
for (int i = 0; i <= len1; i++) {
for( int j = 0; j <= len2; j++) {
if(i == 0 || j == 0) {
c[i][j] = 0;
} else if (str1.charAt(i-1) == str2.charAt(j-1)) {
c[i][j] = c[i-1][j-1] + 1;
result = max(c[i][j], result);
} else {
c[i][j] = 0;
}
}
}
return result;
}
1.2 股票系列:推荐资料
股票类题解:dp模板,股票类型的题目都是基于这个模板,根据具体的题目来修改调整相应的参数。结果是取没有持有状态下最后一天的dp。因为 [1] 代表手上还持有股票,[0] 表示手上的股票已经卖出去了,很显然后者得到的利润一定大于前者。
题目一:121. 买卖股票的最佳时机
题解:题目要求最多只进行1次交易,即k = 1,所以
dp[i][k][0] = max(dp[i-1][k][0], dp[i-1][k][1] + prices[i])
dp[i][k][1] = max(dp[i-1][k][1], dp[i-1][k-1][0] - prices[i])
base case
dp[0][k][0] = 0
dp[0][k][1] = -prices[0]
化简为:
dp[i][0] = max(dp[i-1][0], dp[i-1][1] + prices[i])
dp[i][1] = max(dp[i-1][1], - prices[i])
base case
dp[0][0] = 0
dp[0][1] = -prices[0]
代码如下:
class Solution {
public int maxProfit(int[] prices) {
if (null == prices ||