动态规划---入门ⅤⅡ

最新推荐文章于 2021-08-30 00:48:03 发布

Aka Faker

最新推荐文章于 2021-08-30 00:48:03 发布

阅读量135

点赞数 1

分类专栏： leetcode刷题 Java学习回顾文章标签：动态规划

本文链接：https://blog.csdn.net/weixin_46428711/article/details/118935563

版权

leetcode刷题同时被 2 个专栏收录

98 篇文章 2 订阅

订阅专栏

Java学习回顾

36 篇文章 0 订阅

订阅专栏

本文探讨了动态规划在最长公共子串、背包问题和编辑距离等经典问题上的应用及优化。通过一维数组实现空间复杂度的降低，并介绍了如何转换问题以适应一维动态规划。同时，详细阐述了编辑距离问题的状态转移方程及其优化限制。

摘要由CSDN通过智能技术生成

最长公共子串

在这里插入图片描述

思路

在这里插入图片描述

代码

在这里插入图片描述

dp数组的表格
在这里插入图片描述

动态规划的优化

空间复杂度的优化，可以优化到只用一行也就是一维数组来动态规划。思路就是只用一行来记录，此外还需要一个变量来记录本次遍历中这个一维数组被覆盖掉的值，用来计算下一次的遍历。

除此之外，我们还可以挑选长度较短的字符串作为j（也就是作为列），这样一维数组的长度还可以进一步降低。

在这里插入图片描述

背包问题

在这里插入图片描述

思路

在这里插入图片描述

代码

在这里插入图片描述

动态规划时形成的二维数组
在这里插入图片描述

优化

从前我们计算二维数组的时候是从左往右计算的，那么在此次遍历的时候，我们就会用到遍历的数据的上面的数据（如果这个物品不带上的情况），或者这个数据上面一行左半边的任意一个数据（如果这个物品带上，哪一个数据取决于这个物品的重量）。在这种情况下，优化成一维数组是有难度的。
那么我们可以考虑换个方向来遍历，如果我们从右往左来遍历数组，那么问题就迎刃而解。
在这里插入图片描述

黄色的是现在一维数组里的数据，红色的圈代表我们现在正在计算的数据。

需要注意的是这里的i和j不再像之前一样可以我们自己选择较短的作为列。因为这里i和j的含义是不同的，i代表了当前能选择的是前i件，而j代表了当前背包能背的重量。在之前的题目中可以选择较短的作为列，是因为i和j代表的含义是一样的，他们都代表了字符串中第i/j个位置的字符。
在这里插入图片描述

再优化

在这里插入图片描述

之所以可以这样优化的原理是，当j已经小于weights【i - 1】的时候，说明现在的背包的承重量已经小于现在这个物体的重量，也就是说这个物体注定只能放弃，所以这时候的dp【j】就一定还是dp【j】。所以在后面的遍历都是没有意义的。

在这里插入图片描述

背包问题扩展

在这里插入图片描述

思路

在这里插入图片描述

之所以可以这样做是因为，我们给不可能凑到的值赋上无穷小之后，后续计算的时候如果出现凑不到的情况也会变成无穷小。

代码

在这里插入图片描述

01背包问题—分割等和子集

给你一个只包含正整数的非空数组 nums 。请你判断是否可以将这个数组分割成两个子集，使得两个子集的元素和相等。

示例 1：

输入：nums = [1,5,11,5]
输出：true
解释：数组可以分割成 [1, 5, 5] 和 [11] 。

示例 2：

输入：nums = [1,2,3,5]
输出：false
解释：数组不能分割成两个元素和相等的子集。

提示：

1 <= nums.length <= 200
1 <= nums[i] <= 100

来源：力扣（LeetCode）
链接：https://leetcode-cn.com/problems/partition-equal-subset-sum
著作权归领扣网络所有。商业转载请联系官方授权，非商业转载请注明出处。

思路

这题看起来和01背包问题没有一点关系，但是事实上是可以转换成01背包问题的，我们要从这个角度思考。等和的子集就意味着两个子集都刚好是数组总和的一半。我们把数组中每一个数字都看作背包里的每一个物品，他们的重量就是他们的值，我们背包的总承重是数组总和的一半。dp【i】【j】的意思是，i为可挑选的物品的件数，j为背包的承重。如果能刚好装完背包的承重j那么dp【i】【j】就是true，否则为false。

它的状态转移方程就是dp[i][j] = dp[i - 1][j] or dp[i - 1][j - nums[i]]
也就是说和01背包问题是一样的。如果我们不选择这个物品i，那么我们的结果就来源于dp【i-1】【j】。如果我们选择了物品i，那么我们的结果就来源于dp【i - 1】【j - nums【i】】。之所以是承重是j-nums【i】，是因为我们选择了物品i，所以在之前的件数中，我们就要选择减去了物品i的重量的情况。

代码

class Solution {
    public boolean canPartition(int[] nums) {
        int sum = 0;
        for (int num : nums) {
            sum += num;
        }
        if (sum % 2 == 1) {
            return false;
        }
        int target = sum / 2;
        boolean[][] dp = new boolean[nums.length + 1][target + 1];

        for (int i = 1; i < nums.length + 1; i++) {
            for (int j = 1; j <= target; j++) {
                dp[i][j] = dp[i - 1][j];
                if (nums[i - 1] == j) {
                    dp[i][j] = true;
                    continue;
                }
                if (nums[i - 1] < j) {
                    dp[i][j] = dp[i - 1][j] || dp[i - 1][j - nums[i - 1]];
                }
            }
        }

        return dp[nums.length][target];
        
    }
}

优化

参考01背包问题可以优化成这样

class Solution {
    public boolean canPartition(int[] nums) {
        int sum = 0;
        for (int num : nums) {
            sum += num;
        }
        if (sum % 2 == 1) {
            return false;
        }
        int target = sum / 2;
        boolean[] dp = new boolean[target + 1];

        for (int i = 1; i < nums.length + 1; i++) {
            for (int j = target; j >= nums[i - 1]; j--) {
                if (nums[i - 1] == j) {
                    dp[j] = true;
                    continue;
                }
                if (nums[i - 1] < j) {
                    dp[j] = dp[j] || dp[j - nums[i - 1]];
                }
            }
        }

        return dp[target];
        
    }
}

编辑距离

给你两个单词 word1 和 word2，请你计算出将 word1 转换成 word2 所使用的最少操作数。

你可以对一个单词进行如下三种操作：

插入一个字符
删除一个字符
替换一个字符

示例 1：

输入：word1 = “horse”, word2 = “ros”
输出：3
解释：
horse -> rorse (将 ‘h’ 替换为 ‘r’)
rorse -> rose (删除 ‘r’)
rose -> ros (删除 ‘e’)

示例 2：

输入：word1 = “intention”, word2 = “execution”
输出：5
解释：
intention -> inention (删除 ‘t’)
inention -> enention (将 ‘i’ 替换为 ‘e’)
enention -> exention (将 ‘n’ 替换为 ‘x’)
exention -> exection (将 ‘n’ 替换为 ‘c’)
exection -> execution (插入 ‘u’)

提示：

0 <= word1.length, word2.length <= 500
word1 和 word2 由小写英文字母组成

思路

这题也是动态规划题，一开始并没有思路也没有联想到这题是动态规划的解法。下面摘抄题解

我们可以对任意一个单词进行三种操作：

    插入一个字符；

    删除一个字符；

    替换一个字符。

题目给定了两个单词，设为 A 和 B，这样我们就能够六种操作方法。

但我们可以发现，如果我们有单词 A 和单词 B：

    对单词 A 删除一个字符和对单词 B 插入一个字符是等价的。例如当单词 A 为 doge，单词 B 为 dog 时，我们既可以删除单词 A 的最后一个字符 e，得到相同的 dog，也可以在单词 B 末尾添加一个字符 e，得到相同的 doge；

    同理，对单词 B 删除一个字符和对单词 A 插入一个字符也是等价的；

    对单词 A 替换一个字符和对单词 B 替换一个字符是等价的。例如当单词 A 为 bat，单词 B 为 cat 时，我们修改单词 A 的第一个字母 b -> c，和修改单词 B 的第一个字母 c -> b 是等价的。

这样以来，本质不同的操作实际上只有三种：

    在单词 A 中插入一个字符；

    在单词 B 中插入一个字符；

    修改单词 A 的一个字符。

这样以来，我们就可以把原问题转化为规模较小的子问题。我们用 A = horse，B = ros 作为例子，来看一看是如何把这个问题转化为规模较小的若干子问题的。

    在单词 A 中插入一个字符：如果我们知道 horse 到 ro 的编辑距离为 a，那么显然 horse 到 ros 的编辑距离不会超过 a + 1。这是因为我们可以在 a 次操作后将 horse 和 ro 变为相同的字符串，只需要额外的 1 次操作，在单词 A 的末尾添加字符 s，就能在 a + 1 次操作后将 horse 和 ro 变为相同的字符串；

    在单词 B 中插入一个字符：如果我们知道 hors 到 ros 的编辑距离为 b，那么显然 horse 到 ros 的编辑距离不会超过 b + 1，原因同上；

    修改单词 A 的一个字符：如果我们知道 hors 到 ro 的编辑距离为 c，那么显然 horse 到 ros 的编辑距离不会超过 c + 1，原因同上。

那么从 horse 变成 ros 的编辑距离应该为 min(a + 1, b + 1, c + 1)。

注意：为什么我们总是在单词 A 和 B 的末尾插入或者修改字符，能不能在其它的地方进行操作呢？答案是可以的，但是我们知道，操作的顺序是不影响最终的结果的。例如对于单词 cat，我们希望在 c 和 a 之间添加字符 d 并且将字符 t 修改为字符 b，那么这两个操作无论为什么顺序，都会得到最终的结果 cdab。

你可能觉得 horse 到 ro 这个问题也很难解决。但是没关系，我们可以继续用上面的方法拆分这个问题，对于这个问题拆分出来的所有子问题，我们也可以继续拆分，直到：

    字符串 A 为空，如从 转换到 ro，显然编辑距离为字符串 B 的长度，这里是 2；

    字符串 B 为空，如从 horse 转换到 ，显然编辑距离为字符串 A 的长度，这里是 5。

因此，我们就可以使用动态规划来解决这个问题了。我们用 D[i][j] 表示 A 的前 i 个字母和 B 的前 j 个字母之间的编辑距离。

如上所述，当我们获得 D[i][j-1]，D[i-1][j] 和 D[i-1][j-1] 的值之后就可以计算出 D[i][j]。

    D[i][j-1] 为 A 的前 i 个字符和 B 的前 j - 1 个字符编辑距离的子问题。即对于 B 的第 j 个字符，我们在 A 的末尾添加了一个相同的字符，那么 D[i][j] 最小可以为 D[i][j-1] + 1；

    D[i-1][j] 为 A 的前 i - 1 个字符和 B 的前 j 个字符编辑距离的子问题。即对于 A 的第 i 个字符，我们在 B 的末尾添加了一个相同的字符，那么 D[i][j] 最小可以为 D[i-1][j] + 1；

    D[i-1][j-1] 为 A 前 i - 1 个字符和 B 的前 j - 1 个字符编辑距离的子问题。即对于 B 的第 j 个字符，我们修改 A 的第 i 个字符使它们相同，那么 D[i][j] 最小可以为 D[i-1][j-1] + 1。特别地，如果 A 的第 i 个字符和 B 的第 j 个字符原本就相同，那么我们实际上不需要进行修改操作。在这种情况下，D[i][j] 最小可以为 D[i-1][j-1]。

那么我们可以写出如下的状态转移方程：

    若 A 和 B 的最后一个字母相同：
D[i][j]=min(D[i][j−1]+1,D[i−1][j]+1,D[i−1][j−1])=1+min(D[i][j−1],D[i−1][j],D[i−1][j−1]−1)

若 A 和 B 的最后一个字母不同：

D[i][j]=1+min⁡(D[i][j−1],D[i−1][j],D[i−1][j−1])

对于边界情况，一个空串和一个非空串的编辑距离为 D[i][0] = i 和 D[0][j] = j，D[i][0] 相当于对 word1 执行 i 次删除操作，D[0][j] 相当于对 word1执行 j 次插入操作。

综上我们得到了算法的全部流程。

作者：LeetCode-Solution
链接：https://leetcode-cn.com/problems/edit-distance/solution/bian-ji-ju-chi-by-leetcode-solution/
来源：力扣（LeetCode）
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

下面放上代码

class Solution {
    public int minDistance(String word1, String word2) {
        int n = word1.length();
        int m = word2.length();

        if (n * m == 0) {
            return n + m;
        }
        int dp[][] = new int[n + 1][m + 1];

        for (int i = 0; i <= m; i++) {
            dp[0][i] = i;
        }
        for (int i = 0; i <= n; i++) {
            dp[i][0] = i;
        }

        for (int i = 1; i <= n; i++) {
            for (int j = 1; j <= m; j++) {
                int one = dp[i - 1][j] + 1;
                int two = dp[i][j - 1] + 1;
                int three = dp[i - 1][j - 1];
                if (!(word1.charAt(i - 1) == word2.charAt(j - 1))) {
                    three++;
                }
                dp[i][j] = Math.min(Math.min(one, two), three);
            }
        }
        return dp[n][m];
    }
}