动态规划
动态规划(Dynamic Programming,DP)是一种优化问题求解方法,通常用于解决具有 重叠子问题 和 最优子结构 性质的问题。它的基本思想是将原问题分解成更小的子问题,通过求解和保存这些子问题的解,避免重复计算,从而提高算法的效率。
基本概念:
-
最优子结构:
- 最优子结构是指问题的最优解可以通过
子问题的最优解递归
构建而成。在动态规划中,原问题被分解为更小的子问题,每个子问题都有自己的最优解。通过合并这些最优解,我们可以得到整体问题的最优解。
- 最优子结构是指问题的最优解可以通过
-
重叠子问题:
- 动态规划问题会涉及到重叠子问题,即在解问题的过程中会多次遇到
相同的子问题
。为了避免重复计算,动态规划使用记忆化或者其他方法来保存子问题的解。
- 动态规划问题会涉及到重叠子问题,即在解问题的过程中会多次遇到
-
状态转移方程:
- 状态转移方程是问题建模的关键,它描述了问题的
当前状态
和如何从之前的状态转移到新状态
。通过定义合适的状态和状态之间的转移关系
,可以得到问题的递推解法,将子问题和整体连接了起来。
- 状态转移方程是问题建模的关键,它描述了问题的
-
存储中间结果:
- 为了避免重复计算,动态规划通常使用数组、矩阵或字典等数据结构来
存储中间结果
。这些中间结果包括子问题的解,可以在需要时直接获取
,而不必重新计算。
- 为了避免重复计算,动态规划通常使用数组、矩阵或字典等数据结构来
-
自底向上或自顶向下的求解方法:
- 动态规划可以采用
自底向上
(Bottom Up)或自顶向下
(Top Down)的求解方法。自底向上是从最小的子问题开始逐步求解,而自顶向下是通过递归从原始问题开始,逐步分解为子问题。
- 动态规划可以采用
这几个基本概念通常共同作用,构成了动态规划算法的基础。具体步骤包括:
定义状态: 确定问题的状态,即问题的子结构和需要求解的变量。
找到状态转移方程: 建立子问题之间的递推关系,通过状态之间的转移来描述问题的求解过程。
初始化边界条件: 将最小的子问题的解设置为初始条件,为递推提供基础。
自底向上或自顶向下求解: 使用 迭代(
自底向上
)或 递归(自顶向下
)的方法,按照状态转移方程求解子问题,最终得到整体问题的解。
适用场景
动态规划广泛应用于解决各种问题,例如 最短路径问题、背包问题、编辑距离 等。通过合理建模问题,定义好 状态 和 状态转移方程 ,就能够高效地解决复杂的优化问题。
看完以上内容,是不是在遇到一道 动态规划 的题目仍然不知道如何思考,从哪开始着手写?
答案是:从递归开始!
暴力递归
-
基本思想:
- 是一种很朴素的解决问题的方法,通过递归考察所有可能的解决方案来找到办法。有明确的不需要继续递归的条件,即
base case
。
- 是一种很朴素的解决问题的方法,通过递归考察所有可能的解决方案来找到办法。有明确的不需要继续递归的条件,即
-
重复计算问题:
- 暴力递归通常不会对重复的子问题进行记忆,可能会导致相同子问题
重复计算
。
- 暴力递归通常不会对重复的子问题进行记忆,可能会导致相同子问题
-
时间复杂度问题:
- 由于暴力递归会考虑所有可能的组合,可能会导致
指数级
的时间复杂度。
- 由于暴力递归会考虑所有可能的组合,可能会导致
-
适用情况:
- 当问题
规模较小
且可能的解决方案数量有限
时,暴力递归可能表现的很有效。
- 当问题
要想写出递归函数,要明确以下几点:
1. 定义 Base Case :
- 递归函数应该有一个或多个基本情况,即不再递归调用的情况。
- 基本情况通常是问题可以直接解决的最小子问题。
2. 定义状态
- 状态是问题的变量,用于描述问题的不同方面,应该包含问题的所有相关信息。
3. 定义递归函数的功能
- 只有明确了递归函数的功能,才能知道需要哪些状态变量。
- 同时也明确了主函数调用时,如何传递初始参数。
因此,要想写出动态规划,大体步骤就是:
思考题目如何用最最普通的思路写出递归函数
画图,寻找哪些地方会存在可以优化的点
保存部分或全部状态,避免重复计算
接下来的 系列文章 会带大家一步一步的从 暴力递归 优化出 动态规划 ,并深入理解动态规划的基本概念以及书写步骤!
敬请期待一下吧 ~