Leetcode第70题: 爬楼梯

一、题目来源：leetcode第70题

二、题目描述

假设你正在爬楼梯。需要 n 阶你才能到达楼顶。

每次你可以爬 1 或 2 个台阶。你有多少种不同的方法可以爬到楼顶呢？

示例 1：

输入： n = 2
输出： 2
解释： 有两种方法可以爬到楼顶。
1. 1 阶 + 1 阶
2. 2 阶

示例 2：

输入： n = 3
输出： 3
解释： 有三种方法可以爬到楼顶。
1. 1 阶 + 1 阶 + 1 阶
2. 1 阶 + 2 阶
3. 2 阶 + 1 阶

提示：

• 1 <= n <= 45

三、解题

3.1 解法一

1. 思路

思考到爬楼梯的规律其实就是符合斐波那契数列（Fibonacci Sequence） 规律的，问题就迎刃而解了。为什么说它是斐波那契数列呢？我们可以这样来思考：当我们从第 n-1 阶楼梯爬到第 n 阶楼梯时，需要1步；当我们从第 n-2 阶楼梯爬到第 n 阶楼梯时，需要2步。也就是说，到达第 n 阶楼梯的方法数等于到达第 n-1 阶楼梯的方法数加上到达第 n-2 阶楼梯的方法数，即 f(n)=f(n−1)+f(n−2)，正好符合斐波那契通项。

2. 解法

var climbStairs = function ( n ) {
    if (n === 1 || n === 2 ) return n;
    return  climbStairs (n- 1 ) + climbStairs (n- 2 );
}; 

3. 时间复杂度

由于递归调用了两次climbStairs函数，每次减少的阶数是n-1和n-2，所以递归树的高度是n。因此，时间复杂度可以表示为O(2^n) 。

4. 空间复杂度

在递归过程中，每次调用climbStairs函数都会产生一个新的函数调用栈帧，该栈帧保存了函数的局部变量和返回地址。由于递归调用的次数取决于输入的n值，所以递归树的深度是n。因此，空间复杂度可以表示为O(n) 。

3.2 解法二

1. 思路

使用数组来保存中间结果，降低时间复杂度。

2. 解法

var climbStairs = function ( n ) {
    let result = [ 1 , 2 ];
    for ( let i = 2 ; i < n; i++) {
        result. push (result[i- 1 ] + result[i- 2 ]);
    }
    return result[n- 1 ];
}; 

3. 时间复杂度

在for循环中，需要迭代n-2次，每次计算result[i]的值。因此，时间复杂度为O(n) 。

4. 空间复杂度

   在算法执行过程中，只使用了一个数组result来保存中间结果，其长度为n。因此，空间复杂度为O(n) 。

3.3 解法三

1. 思路

   用三个变量代替数组来储存结果，降低空间复杂度。

2. 解法

var climbStairs = function ( n ) {
    let p = 0, q = 0, r = 1;
    for ( let i = 1 ; i <= n; i++) {
        p = q;
        q = r;
        r = p + q;
    }
    return r;
}; 

3. 时间复杂度

   在for循环中，迭代了n次，每次计算需要常数时间。因此，时间复杂度为O(n) 。

4. 空间复杂度

   在算法执行过程中，只使用了三个变量p、q和r来保存中间结果。这三个变量的空间占用是常数级别的。因此，空间复杂度为O(1) 。

四、知识点

动态规划（Dynamic Programming） 是一种解决多阶段决策问题的优化方法。它通过将原问题分解为若干个子问题，并保存子问题的解，以避免重复计算，从而在时间复杂度上实现优化。

下面是解决动态规划问题的一般步骤：

1. 确定问题的最优解结构：分析问题的特点，确定问题可以划分为多个阶段，并且当前阶段的最优解可以由之前阶段的最优解得到。
2. 定义状态：确定动态规划的状态，即表示问题的子问题的解的状态。状态的选择要满足无后效性和最优子结构性质。
3. 建立状态转移方程：根据问题的最优解结构和子问题之间的关系，建立状态转移方程。该方程描述了当前阶段的最优解与之前阶段的最优解之间的关系。
4. 初始化边界条件：确定初始阶段的最优解或边界条件，以便开始递推计算。
5. 使用迭代或递归方式求解：根据状态转移方程，通过迭代或递归方式计算每个阶段的最优解，并保存在一个表格或数组中。
6. 构造最优解：根据保存的中间结果，从最终阶段开始，逆向推导出问题的最优解。
7. 分析时间复杂度和空间复杂度：评估动态规划算法的时间复杂度和空间复杂度，并进行优化。

动态规划常常用于解决具有重叠子问题和最优子结构性质的问题，例如背包问题、最长公共子序列问题、最短路径问题等。