代码随想录算法训练营第三十八天|动态规划理论基础、509. 斐波那契数、70. 爬楼梯、746. 使用最小花费爬楼梯

动态规划理论基础

文档讲解 ： 代码随想录 - 动态规划理论基础
状态：再次回顾。

动态规划解题步骤：（五部曲）

1. 确定dp数组（dp table）以及下标的含义
2. 确定递推公式
3. dp数组如何初始化
4. 确定遍历顺序
5. 举例推导dp数组

509. 斐波那契数

文档讲解 ： 代码随想录 - 509. 斐波那契数
状态：再次回顾。

动态规划五部曲：

1. 确定dp数组（dp table）以及下标的含义
   dp[i]的定义为：第i个数的斐波那契数值是dp[i]

2. 确定递推公式
   dp[i] = dp[i - 1] + dp[i - 2]

3. dp数组如何初始化
   dp[0] = 0; dp[1] = 1;

4. 确定遍历顺序
   遍历的顺序一定是从前到后遍历的

5. 举例推导dp数组
   按照这个递推公式dp[i] = dp[i - 1] + dp[i - 2]，推导一下，当N为10的时候，dp数组应该是如下的数列：0 1 1 2 3 5 8 13 21 34 55

本题代码：

class Solution {
public:
    int fib(int N) {
        if (N <= 1) return N;
        vector<int> dp(N + 1);
        dp[0] = 0;
        dp[1] = 1;
        for (int i = 2; i <= N; i++) {
            dp[i] = dp[i - 1] + dp[i - 2];
        }
        return dp[N];
    }
};

• 时间复杂度：$O(n)$
• 空间复杂度：$O(n)$

70. 爬楼梯

文档讲解 ： 代码随想录 - 70. 爬楼梯
状态：再次回顾。

动态规划五部曲：

1. 确定dp数组（dp table）以及下标的含义
   dp[i]的定义为：爬到第i层楼梯，有dp[i]种方法

2. 确定递推公式
   dp[i] = dp[i - 1] + dp[i - 2]

3. dp数组如何初始化
   dp[1] = 1; dp[2] = 2;

4. 确定遍历顺序
   遍历的顺序是从前到后遍历的

5. 举例推导dp数组
   按照这个递推公式dp[i] = dp[i - 1] + dp[i - 2]，推导一下，当N为5的时候，dp数组应该是:
   

本题代码：

class Solution {
public:
    int climbStairs(int n) {
        if (n <= 1) return n; // 因为下面直接对dp[2]操作了，防止空指针
        vector<int> dp(n + 1);
        dp[1] = 1;
        dp[2] = 2;
        for (int i = 3; i <= n; i++) { // 注意i是从3开始的
            dp[i] = dp[i - 1] + dp[i - 2];
        }
        return dp[n];
    }
};

• 时间复杂度：$O(n)$
• 空间复杂度：$O(n)$

746. 使用最小花费爬楼梯

文档讲解 ： 代码随想录 - 746. 使用最小花费爬楼梯
状态：再次回顾。

动态规划五部曲：

1. 确定dp数组（dp table）以及下标的含义
   dp[i]的定义为：到达第i台阶所花费的最少体力为dp[i]

2. 确定递推公式
   dp[i] = min(dp[i - 1] + cost[i - 1], dp[i - 2] + cost[i - 2]);

3. dp数组如何初始化
   dp[0] = 0，dp[1] = 0;

4. 确定遍历顺序
   遍历的顺序是从前到后遍历的

5. 举例推导dp数组
   cost = [1, 100, 1, 1, 1, 100, 1, 1, 100, 1] ，来模拟一下dp数组的状态变化，如下：
   

本题代码：

class Solution {
public:
    int minCostClimbingStairs(vector<int>& cost) {
        vector<int> dp(cost.size() + 1);
        dp[0] = 0; // 默认第一步都是不花费体力的
        dp[1] = 0;
        for (int i = 2; i <= cost.size(); i++) {
            dp[i] = min(dp[i - 1] + cost[i - 1], dp[i - 2] + cost[i - 2]);
        }
        return dp[cost.size()];
    }
};

• 时间复杂度：$O(n)$
• 空间复杂度：$O(n)$