Tag
【递归】【记忆化搜索】【动态规划】【数组】【2023-12-08】
题目来源
解题思路
以下题解与思路参考 教你一步步思考动态规划:从记忆化搜索到递推(Python/Java/C++/Go/JS/Rust)。
寻找子问题
假设 n = 9
。我们要解决的问题是从 1 开车到 9 最多可以赚多钱。
会有以下两种情况出现:
- 情况一:如果没有乘客在 9 下车,或者我们不搭载在 9 下车的乘客,那么问题就变成:从 1 开车到 8 最多可以赚多少钱;
- 情况二:如果有至少一位乘客在 9 下车,我们可以枚举载哪位乘客。假设所载乘客在 5 上车,那么从 5 到 9 不能载其它乘客(题目要求同时最多只能接一个订单),问题变成:从 1 到 5 最多可以赚多少钱。
以上两种情况都会将原问题变成 「和原问题相似的、规模更小的子问题」,这意味着可以使用递归来解决问题。
方法一:递归
思路
递归函数定义为 dfs(i)
,表示从 1 开车到 i 最多可以赚多少钱。
情况一中问题变为:从 1 开车到 i-1 最多可以赚钱多少,有转移关系式:
d f s ( i ) = d f s ( i − 1 ) dfs(i) = dfs(i - 1) dfs(i)=dfs(i−1)
在情况二中,我们可以枚举搭载哪位乘客,取其中最赚钱的方案,有转移关系式:
d
f
s
(
i
)
=
m
a
x
(
d
f
s
(
s
t
a
r
t
)
+
i
−
s
t
a
r
t
+
t
i
p
)
dfs(i) = max(dfs(start) + i - start + tip)
dfs(i)=max(dfs(start)+i−start+tip)
其中,start 表示到 i 的乘客的上车点,tip 为从 start 到 i 这一段路的小费。
以上两种情况取最大值得到 dfs(i),即
d f s ( i ) = m a x ( d f s ( i − 1 ) , m a x ( d f s ( s t a r t ) + i − s t a r t + t i p ) ) dfs(i) = max(dfs(i - 1), max(dfs(start) + i - start + tip)) dfs(i)=max(dfs(i−1),max(dfs(start)+i−start+tip))
递归边界:dfs(1) = 0,因为没有在 1 下车的乘客。
递归入口:dfs(n),也是最后需要返回的答案。
算法
在实现中,将 rides
数组按照下车点进行分组,方便枚举所有在 i
下车点下车的乘客。在分组中,使用 pair 记录每一个分组中的 start
和 end - start + tip
。
class Solution {
public:
long long maxTaxiEarnings(int n, vector<vector<int>>& rides) {
vector<vector<pair<int, int>>> g(n+1);
for (auto ride : rides) {
int start = ride[0], end = ride[1], tip = ride[2];
g[end].push_back(make_pair(start, end - start + tip));
}
function<long long(int)> dfs = [&](int i) -> long long {
if (i == 0) {
return 0;
}
long long res = dfs(i - 1);
for (auto [s, t] : g[i]) {
res = max(res, dfs(s) + t);
}
return res;
};
return dfs(n);
}
};
该方法超时。
方法二:递归+记录数组=记忆化搜索
思路
由于在递归中存在某些 dfs(i) 重复计算的问题,因此可以使用一个数组 memo
记录计算结果,在递归中使用数据记录计算出的值的方法被称为「记忆化搜索」。
算法
class Solution {
public:
long long maxTaxiEarnings(int n, vector<vector<int>>& rides) {
vector<vector<pair<int, int>>> g(n+1);
for (auto ride : rides) {
int start = ride[0], end = ride[1], tip = ride[2];
g[end].push_back(make_pair(start, end - start + tip));
}
vector<long long> memo(n+1, -1); // -1 表示没有计算过
function<long long(int)> dfs = [&](int i) -> long long {
if (i == 0) {
return 0;
}
auto& res = memo[i]; // 这里是引用,因为后面需要将更新后的 res 更新到 memo 中
if (res != -1) {
return res;
}
res = dfs(i - 1);
for (auto [s, t] : g[i]) {
res = max(res, dfs(s) + t);
}
return res;
};
return dfs(n);
}
};
复杂度分析
时间复杂度: O ( n + m ) O(n+m) O(n+m)。
空间复杂度: O ( n + m ) O(n+m) O(n+m)。
方法三:动态规划(递推)
思路
将递归对应翻译为动态规划。
状态方程 f[i]
表示从 1 开车到 i 最多可以赚多少钱。
状态转移关系:
f [ i ] = m a x ( f [ i − 1 ] , m a x ( f [ s t a r t ] + i − e n d + t i p ) ) f[i] = max(f[i-1], max(f[start] + i - end + tip)) f[i]=max(f[i−1],max(f[start]+i−end+tip))
base case:f[1] = 0。
最后返回:return f[n]。
算法
class Solution {
public:
long long maxTaxiEarnings(int n, vector<vector<int>>& rides) {
vector<vector<pair<int, int>>> g(n+1);
for (auto ride : rides) {
int start = ride[0], end = ride[1], tip = ride[2];
g[end].push_back(make_pair(start, end - start + tip));
}
vector<long long> f(n+1);
for (int i = 2; i <= n; ++i) {
f[i] = f[i-1];
for (auto [s, t] : g[i]) {
f[i] = max(f[i], f[s] + t);
}
}
return f[n];
}
};
复杂度分析
时间复杂度:
O
(
n
+
m
)
O(n+m)
O(n+m),其中
m
m
m 是 rides
的长度,n
是地点数目。动态规划转移需要
O
(
n
)
O(n)
O(n) 的时间,查询乘客信息需要
O
(
m
)
O(m)
O(m) 的时间。
空间复杂度: O ( n + m ) O(n+m) O(n+m)。
写在最后
如果您发现文章有任何错误或者对文章有任何疑问,欢迎私信博主或者在评论区指出 💬💬💬。
如果大家有更优的时间、空间复杂度的方法,欢迎评论区交流。
最后,感谢您的阅读,如果有所收获的话可以给我点一个 👍 哦。