算法设计与分析基础(第三版)之第8章 动态规划

本博客主要是对Anany Levitin著、潘彦译的算法设计与分析基础(第三版)之第8章 动态规划进行代码梳理与讲解，代码语言主要为Python，其他语言也类似，可以把Python的解题方法看成是伪代码进行转换。
动态规划是数据结构中最重要的一环，也是面试中大家觉得头大的一类面试题型。关于动态规划的解题方法可以参考博主另一篇博文：一文详解动态规划【更新ing】。这篇博文的主要目的在于对书中的题目进行代码化。
例题1：币值最大化问题
这个是个经典题目了，也有多种变体，我们先看书中题目。题目是这个样子的：
给定一排$n$个硬币，其面值均为正整数$c_1,c_2,...,c_n$，这些整数并不一定两两不同。请问如何选择硬币，使得其原始位置互不相邻的条件下，所选硬币总额最大。
该题是一个动态规划的典型题目，重点在于理解原始位置互不相邻及子问题的构建上。整体上，解决动态规划问题四步走：
（1）划分子问题
（2）构建状态转移
（3）确定初始状态
（4）循环迭代求解
我们思考如下：
1、题目理解：
       互不相邻，我们可以理解为下标间隔2，即$1,3,5,...,2n+1$ 或者$0,2,4,...,2n$这种方式，原始位置一定互不相邻。
2、划分子问题
       我们自顶向下思考这个问题，如果说我们对于已经选择好的硬币组合$f(n)$，代表的含义为我们已经选择好下标到$n$的硬币组合，此时的总额记为$f(n)$，那么对于$f(n)$来说，它的选择计划对于最后一个硬币$c_n$有两个来源:
（1）选择硬币$c_n$，因题目要求选择的是互不相邻的位置，那么子问题就变成必须要求$f(n-2)$最大，此时$f(n)=f(n-2)+c_n$
（2）不选择硬币$c_n$，此时子问题变成—>如何在$c_1,c_2,...,c_{n-1}$中选择硬币，使得其要求总额最大。即要求$f(n-1)$最大就好。
3、构建状态转移
       基于(1)、(2)，对于$f(n)$整体上来说，总额最大的关系表达式为：
$f(n)=max(f(n-2)+c_n,f(n-1))$
完成了动态规划解题第一步划分子问题和第二步构建状态转移。
3、确定初始状态
       这里初始状态有两个：$n=0和n=1$这两个状态。
       当$n=0$时，表明此时硬币数组为空，不论如何选择，最大金额一定为0，即$f(0)=0$
       当$n=1$时，表明此时硬币数组只有一个元素，而且该元素为正整数。不论如何选择，最大金额一定为该元素，即$f(1)=c_1$。
4、循环迭代求解
先设定一个长度为$n$【为什么是$n$而不是$n+1$呢？欢迎评论区讨论~】的数组$arr$用来装一排$i,0<=i<=n$的硬币中选择互不相邻的硬币的最大总金额，那么从一排n个硬币中选择出互不相邻的硬币总金额$arr[n]$。

class CoinSelection(object):
    def __init__(self, n, arr_coin):
        self.n = n
        self.arr_coin = arr_coin
    def solution(self):
        if self.n == 0 or self.arr_coin is None:
            return 0
        else:
            arr_solution = [0] * self.n
            arr_solution[0] = 0
            arr_solution[1] = self.arr_coin[0]
            for coin_number in range(2, n, 1):
                arr_solution[coin_number] = max(arr_solution[coin_number-2] + self.arr_coin[coin_number], arr_solution[coin_number - 1] )
            return arr_solution[-1]


if __name__ == "__main__":
    n = 6
    coin_arr = [5, 1, 2, 10, 6, 2]
    coin_solution = CoinSelection(n, coin_arr)
    result = coin_solution.solution()
    print(result)

此种接法的空间复杂度和时间复杂度均为$O(n)$。

例题2：找零问题
需找零金额为$n$，最少要用多少面值为$d_1<d_2<...<d_m$的硬币？假设$m$种面值为$d_1<d_2<...<d_m$的硬币数量无限可得，$d_1=1$。
该题思考：
一开始这个题目博主理解有误，主要在对【找零金额】这四个字的理解上，博主开始理解成了找零钱，也就是数学中的余数，然后就纳闷：这个题目也没告诉博主需要付多少钱啊，零钱怎么找呢？懵逼了一圈后，看了解答发现，这里的找零金额是指总金额。后续解答讲解中博主都用总金额替换掉找零金额。。
假设$f(n)$表示选用最少的硬币组成的总金额为$n$，上一个阶段为从$m$个面值硬币中任意选一个，且组成硬币总额为$n-d_j$的所需硬币数最少，即$f(n)=minf(n-d_j)+1$。
初始边界条件：$f(0)=0$，$f(1)$表示总金额为1，此时只能选择$d_1$，故而只有选择$d_1$这一种方式，因此$f(1)=1$。

import numpy as np


class SumMoney(object):
    def __init__(self, n, coin_value):
        self.n = n
        self.coin_value = coin_value

    def solution(self):
        coin_solution = [0] * (self.n + 1)
        coin_solution[0] = 0
        coin_solution[1] = 1
        for sum_money in range(2, self.n + 1, 1):
            tmp = np.inf
            for single_coin_value_index in range(0, len(self.coin_value)):
                if sum_money >= self.coin_value[single_coin_value_index]:
                    tmp = min(coin_solution[sum_money - self.coin_value[single_coin_value_index]], tmp)
            coin_solution[sum_money] = tmp + 1
        return coin_solution[self.n]


if __name__ == "__main__":
    n = 6
    coin_arr = [1, 3, 4]
    coin_solution = SumMoney(n, coin_arr)
    result = coin_solution.solution()
    print(result)

此时的输出结果为：

2

Process finished with exit code 0

变体1:
输出例题2的具体最优解即最少的硬币组合方案中使用了哪些硬币。
寻找组合的过程与例题2的思路反着来，即先找到最少的硬币组合数，然后从最少硬币组合数的最后一个数字出发，看其所选硬币数，然后再往上反着推。
此题需要对例题2的每一步的最少硬币数用到的硬币进行存储，然后在找到最少硬币后反推着来。

变体2：对于每种面值的硬币限制其使用数量

例题3：最短路径问题

Ref：
1、硬币找零问题–动态规划参考
2、动态规划从入门到专家