理论基础
动态规划:如果某一问题有很多重叠子问题,使用动态规划是最有效的。所以动态规划中每一个状态一定是由上一个状态推导出来的,这一点就区分于贪心,贪心没有状态推导,而是从局部直接选最优的
对于动态规划问题,要搞清楚以下几点:
- 确定dp数组(dp table)以及下标的含义
- 确定递推公式
- dp数组如何初始化
- 确定遍历顺序
- 举例推导dp数组
动态规划五部曲:
1.确定dp[i]的含义:第i个数的斐波那契数值为dp[i]
2.确定递推公式:dp[i] = dp[i-1]+dp[i-2]
3.dp数组如何初始化:dp[0]=0,dp[1]=1
4.遍历顺序:从递归公式dp[i] = dp[i - 1] + dp[i - 2];中可以看出,dp[i]是依赖 dp[i - 1] 和 dp[i - 2],那么遍历的顺序一定是从前到后遍历的
5.举例推导dp数组
按照这个递推公式dp[i] = dp[i - 1] + dp[i - 2],我们来推导一下,当N为10的时候,dp数组应该是如下的数列:
0 1 1 2 3 5 8 13 21 34 55
如果代码写出来,发现结果不对,就把dp数组打印出来看看和我们推导的数列是不是一致的。
class Solution:
def fib(self, n: int) -> int:
if n < 2:
return 0
dp = [0]* (n+1)
dp[0]=0
dp[1]=1
for i in range(2,n+1):
dp[i] = dp[i-1] + dp[i-2]
return dp[n]
也可以只维护两个数值:
class Solution:
def fib(self, n: int) -> int:
if n <= 1:
return n
dp = [0, 1]
for i in range(2, n + 1):
total = dp[0] + dp[1]
dp[0] = dp[1]
dp[1] = total
return dp[1]
递归法:
class Solution:
def fib(self, n: int) -> int:
if n == 0:
return 0
if n== 1:
return 1
return self.fib(n-1)+self.fib(n-2)
到第三层楼梯的状态可以由第二层楼梯 和 到第一层楼梯状态推导出来,那么就可以想到动态规划
1.确定dp[i]的含义:爬到第i层楼梯,有dp[i]种方法
2.确定递推公式:dp[i] = dp[i-1]+dp[i-2]
3.dp数组如何初始化:dp[1]=1,dp[2]=2
4.遍历顺序:从递归公式dp[i] = dp[i - 1] + dp[i - 2];中可以看出,dp[i]是依赖 dp[i - 1] 和 dp[i - 2],那么遍历的顺序一定是从前到后遍历的
5.举例推导dp数组
class Solution:
def climbStairs(self, n: int) -> int:
dp = [0]*(n+1)
dp[1] = 1
dp[2] = 2
for i in range(3,n+1):
dp[i] = dp[i-1] + dp[i-2]
return dp[n]
1.确定dp[i]的含义:爬到第i层楼梯,有dp[i]种方法
2.确定递推公式: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.遍历顺序:从递归公式dp[i] = dp[i - 1] + dp[i - 2];中可以看出,dp[i]是依赖 dp[i - 1] 和 dp[i - 2],那么遍历的顺序一定是从前到后遍历的
5.举例推导dp数组
class Solution:
def minCostClimbingStairs(self, cost: List[int]) -> int:
dp = [0]*(len(cost)+1)
dp[0] = 0
dp[1] = 0
for i in range(2,len(cost)+1):
dp[i] = min(dp[i-1]+cost[i-1],dp[i-2]+cost[i-2])
return dp[len(cost)]