第一部分:动态规划的基础知识
什么是动态规划?
动态规划就中每一个状态一定是由上一个状态推导出来的,这一点就区别于贪心算法,贪心算法没有状态推导,而是从局部直接选最优的。
动态规划的解题步骤(五部曲)
1、确定dp数组以及下标的含义
2、确定递推公式
3、dp数组如何初始化
4、确定遍历顺序
5、举例推到dp数组
动态规划如何debug?
做动态规划的题目的时候,写代码之前一定要把状态转移转移在dp数组上的具体情况模拟一遍。如果代码没通过就打印dp数组,看看是不是和自己预期推导的不一样。
并且要考虑三个问题:这道题我举例推导状态转移公式了吗?我打印dp数组的日志了吗?打印出来的dp数组和我想的一样了吗?
第二部分:509.斐波那契数列
2.1题目链接
力扣https://leetcode.cn/problems/fibonacci-number/
2.2解题思路
动态规划5部曲:
这里我们要用一个一维dp数组来保存递归的结果。
1、确定dp数组以及下标含义
dp[i]:第i个斐波那契额数值是dp[i]
2、确定递归函数
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
遍历顺序是从前往后
4、举例推导dp数组
2.3解题代码
class Solution {
public:
int fib(int n) {
if(n < 1) return 0;
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];
}
};
第三部分:70.爬楼梯
3.1题目链接
力扣https://leetcode.cn/problems/climbing-stairs/
3.2解题思路
动态规划5部曲:
这里我们要用一个一维dp数组来保存递归的结果。
1、确定dp数组以及下标含义
dp[i]:爬到第i层楼梯,有dp[i]种方法。
2、确定递归函数
首先是dp[i - 1],上i-1层楼梯,有dp[i - 1]种方法,那么再一步跳一个台阶不就是dp[i]了么。
还有就是dp[i - 2],上i-2层楼梯,有dp[i - 2]种方法,那么再一步跳两个台阶不就是dp[i]了么。
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
遍历顺序是从前往后
4、举例推导dp数组
3.3解题代码
// 版本一
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];
}
};
第四部分:746.使用最小花费爬楼梯
4.1题目链接
力扣https://leetcode.cn/problems/min-cost-climbing-stairs/
4.2解题思路
动态规划5部曲:
这里我们要用一个一维dp数组来保存递归的结果。
1、确定dp数组以及下标含义
dp[i]:爬到第i层楼梯花费最少的体力。
2、确定递归函数
可以有两个途径得到dp[i],一个是dp[i-1] 一个是dp[i-2]。
dp[i - 1] 跳到 dp[i] 需要花费 dp[i - 1] + cost[i - 1]。
dp[i - 2] 跳到 dp[i] 需要花费 dp[i - 2] + cost[i - 2]。
那么究竟是选从dp[i - 1]跳还是从dp[i - 2]跳呢?
一定是选最小的,所以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
遍历顺序是从前往后
5、举例推导dp数组
4.3解题代码
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()];
}
};