LeetCode分类训练 Task 2动态规划

群内编号：2-木铎铎
博文内容学习自DataWhale开源文档：
LeetCode分类训练 Task 2 动态规划

---

动态规划常常适用于有重叠子问题和最优子结构性质的问题，动态规划方法所耗时间往往远少于朴素解法。

主要思想

要解一个给定问题，需解其不同子问题，再根据子问题的解得出原问题的解。动态规划（DP）往往用于优化递归问题，如斐波那契数列，运用递归的方式求解会重复计算很多相同子问题，利用DP思想可减少计算量。

DP仅仅解决每个子问题一次，具有天然剪枝的功能，从而减少计算量。一旦某个给定子问题的解已经算出，则将其记忆化存储，下次需要同一个子问题的解时查表即可。

动态规划模板步骤：

• 确定动态规划状态

• 写出状态转移方程（画出状态转移表）

• 考虑初始化条件

• 考虑输出状态

• 考虑对时间，空间复杂度的优化（Bonus）

经典案例 1：Leetcode 300.最长上升子序列

题目描述
给定一个无序的整数数组，找到其中最长上升子序列的长度。

示例：

输入: [10,9,2,5,3,7,101,18]
输出: 4 
解释: 最长的上升子序列是 [2,3,7,101]，它的长度是 4。

说明：

可能会有多种最长上升子序列的组合，你只需要输出对应的长度即可。
你算法的时间复杂度应该为 O(n^2) 。

第一步：确定动态规划状态

该题目可以直接用一个一维数组dp来存储转移状态，dp[i]可以定义为以nums[i]这个数结尾的最长递增子序列的长度。

第二步：写出状态转移方程

for i in range(len(nums)):
    for j in range(i):
    	if nums[i]>nums[j]:
    		dp[i]=max(dp[i],dp[j]+1)

Tips：在实际问题中，如果不能很快得出这个递推公式，可以先尝试一步一步把前面几步写出来，如果还是不行很可能就是 dp 数组的定义不够恰当，需要回到第一步重新定义 dp 数组的含义；或者可能是 dp 数组存储的信息还不够，不足以推出下一步的答案，需要把 dp 数组扩大成二维数组甚至三维数组。

第三步：考虑初始化条件

这是决定整个程序能否跑通的重要步骤，当我们确定好状态转移方程，我们就需要考虑一下边界值，边界值考虑主要又分为三个方面：

• dp数组整体的初始值

• dp数组(二维)i=0和j=0的地方

• dp存放状态的长度，是整个数组的长度还是数组长度加一，这点需要特别注意。

对于本问题，子序列最少也是自己，所以长度为1，这样我们就可以方便的把所有的dp初始化为1，再考虑长度问题，由于dp[i]代表的是nums[i]​的最长子序列长度，所以并不需要加一。 所以用代码表示就是​dp=[1]*len(nums)。

第四步：考虑输出状态

主要有以下三种形式，对于具体问题，我们一定要想清楚到底dp数组里存储的是哪些值，最后我们需要的是数组中的哪些值：

• 返回dp数组中最后一个值作为输出，一般对应二维dp问题。

• 返回dp数组中的最大值，一般对应记录最大值问题。

• 返回保存的最大值，一般是Maxval=max(Maxval,dp[i])这样的形式。

最后加上考虑数组是否为空的判断条件，下面是该问题完整的代码：

def lengthOfLIS(self, nums: List[int]) -> int:
        if not nums:return 0  #判断边界条件
        dp=[1]*len(nums)      #初始化dp数组状态
        for i in range(len(nums)):
            for j in range(i):
                if nums[i]>nums[j]:   #根据题目所求得到状态转移方程
                    dp[i]=max(dp[i],dp[j]+1)
        return max(dp)  #确定输出状态

第五步：考虑对时间，空间复杂度的优化（Bonus）

请参见：
二分方法+动态规划详解

经典案例 1：Leetcode5. 最长回文子串

题目描述
给定一个字符串 s，找到 s 中最长的回文子串。你可以假设 s 的最大长度为 1000。

示例 1：

输入: "babad"
输出: "bab"
注意: "aba" 也是一个有效答案。

第一步：确定动态规划状态

这里定义dp[i][j]表示子串s从i到j是否为回文子串。

第二步：写出状态转移方程

# 字符串首尾两个字符必须相等，否则肯定不是回文
if s[i]==s[j]:
	# j-1-(i+1)+1<2
	if j-i<3:
		dp[i][j]=True
	else:
		dp[i][j]=dp[i+1][j-1]

第三步：考虑初始化条件

由于只有一个字符的时候肯定是回文串，所以dp表格的对角线dp[i][i]肯定是True。

第四步：考虑输出状态

这里dp表示的是从i到j是否是回文子串，这样一来就告诉我们子串的起始位置和结束位置。

if dp[i][j]: 
# 只要dp[i][j]成立就表示是回文子串，之后记录位置，返回有效答案
    cur_len=j-i+1
    if cur_len>max_len:
    	max_len=cur_len
    	start=i

第五步：考虑对时间，空间复杂度的优化

请参考下面的题解：
动态规划、Manacher 算法

结语

动态规划除了解决子序列问题，也可以用来解决其他实际的问题，比如一些AI的经典算法。本文只简单记录了一些基础的用法和2道经典的题目，更详细的分析和更多的例子请见原文（地址在本文顶部）。日后对DP算法还要多多应用，多多理解^ _ ^