一、斐波那契数列经典解法:
public int fibonacci(int n) {
if (n == 0){
return 0;
}
if (n == 1){
return 1;
}
return fibonacci(n - 1) + fibonacci(n - 2);
}
这样写结果是对的,但是里面包含了大量重复子问题的计算,这样会导致时间复杂度在n增大时大幅度上升,大概是2^n。
二、记忆化搜索
为了减少子问题的重复计算次数,显然我们可以将子问题的计算结果保存下来,下次需要子问题的结果直接从数组中去取。
/**记忆化搜索实现*/
public static int fibonacci2(int n) {
if (n == 0){
return 0;
}
if (n == 1){
return 1;
}
//创建数组,并将初始值赋为-1
int[] res = new int[n + 1];
Arrays.fill(res,-1);
//从n=2开始,将结果记录到res数组中,下次求解fib(n)时不会进入递归
if (res[n] == -1) {
res[n] = fibonacci2(n-1) + fibonacci2(n-2);
}
return res[n];
}
记忆化搜索利用了子问题的结果,保证了不在重复进入递归,节省了时间。
三、动态规划
记忆化搜索终究还是自上向下的解决问题的方法,有更符合客观规律的自下向上的解决办法呢!动态规范正是这种思想
用循环的方式求解子问题,并记录子问题,最终由子问题得到原问题的答案
/*动态规划解法*/
public static int fibonacci3(int n) {
//数组中访问的下标小于0会越界
if(n < 2) return n;
int[] res = new int[n + 1];
Arrays.fill(res,-1);
res[0] = 0;
res[1] = 1;
for (int i = 2; i <= n; i++) {
res[i] = res[i - 1] + res[i - 2];
}
return res[n];
}
这种正向循环的解法,时间效率高。但从头到尾的递推难度较大,比较好的思考方式是找到递归表达式,再用实例来验证递归表达式的正确性。然后从简单实例中总结递推规律,写出正向的动态规划解法。
四、数组中的DP
package 连续子数组的最大和;
public class Main {
/**
* 数组中有正数有负数,求子数组的最大值
*
* */
public static int subArraySum(int[] arr){
//最大的子数组和
int maxSum = arr[0];
//累加子数组和
int curSum = arr[0];
for (int i = 0; i < arr.length; i++) {
//累加数组为负数时丢弃
if (curSum < 0){
curSum = arr[i];
}
else {
curSum = curSum + arr[i];
}
//累加数组过大,就更新
if (curSum>maxSum){
maxSum =curSum;
}
}
return maxSum;
}
}