动态规划算法通常用于求解具有某种最优性质的问题.这类题目技巧性较大,如果没有使用过动态规划,有时侯会觉得素手无策.动态规划问题需要找到状态和状态转移方程.困难的地方在于 状态如何描述 以及 状态转移方程如何定义
举个例子把~如果我们有面值为1元、2元和5元的硬币若干枚,如何用最少的硬币凑够11元?
令d(i) = j表示状态,表示凑该i元最少需要j个硬币.如d(i=0) = 0个,d(i=1)=1个,d(i=2)=1个,d(i=3)=2个,d(i=4)=2个...
我们再看看什么是状态转移方程,描述状态之间是如何转移的.即d(i)如何根据前面i-1个状态得到的.
比如i=5的情况,因为是要最小的硬币数,再拿一枚硬币就能到的可以是,d(i=4)+1个1块的,或者d(i=3)+1个2块的,或者d(i=0)+1个5块,因为前面状态都知道,所以呢d(i=5)=min{2+1,2+1,0+1}=1
d(i)=min{ d(i-vj)+1 },其中i-vj >=0,vj表示第j个硬币的面值.动态规划就是保留原来的路子,寻找最优的路子,为代码如下:
伪代码如下:
for j in range(0, K):
d(j) 如何通过j-1个状态得到(即状态转移方程)
总结:
1 明白何时用动态规划(最优解问题,特别是针对那种,昨天拍大腿定的东西都不作数,还会往前倒翻旧账)
2 如果可以用,2个步骤
第一步,确定状态的表达式
第二步,确定状态转移方程(可以暴力地把之前所有的转态都考虑上)
然后再顺便考虑以下终止条件之类的,但一般能确定状态转移方程,这题就没问题了。
1 丑数
题目描述
把只包含质因子2、3和5的数称作丑数(Ugly Number)。例如6、8都是丑数,但14不是,因为它包含质因子7。 习惯上我们把1当做是第一个丑数。求按从小到大的顺序的第N个丑数。
解题思路:这个用动态规划感觉就很好啦
终止条件:第N个丑数
状态:s[i] 第i个丑数
状态转移方程: s[i] = min(s[t1]*2 , s[t2]*3, s[t3]*5)。这个t1,t2,t3<i-1
这3个t怎么确定呢?从i-1往后倒腾,满足s[t1-1]*2小于等于s[i-1]但s[t1]*2大于s[i-1]
确定了之后敲代码把~~(代码还有很多可以优化的,但觉得这个可读性比较强,贴上自己的代码)
class Solution:
def GetUglyNumber_Solution(self, index):
if index<1:
return 0
if index==1:
return 1
s = []
s.append(1)
t1 = 0
t2 = 0
t3 = 0
for i in range(1,index):
for j in range(i):
if s[j]*2 > s[i-1]:
t1 = j
break
for j in range(i):
if s[j]*3 > s[i-1]:
t2 = j
break
for j in range(i):
if s[j]*5 > s[i-1]:
t3 = j
break
s.append(min(s[t1]*2,s[t2]*3,s[t3]*5))
return s[-1]
2 Maximum Subarray(leetcode)
题目描述
Find the contiguous subarray within an array (containing at least one number) which has the largest sum.
For example, given the array [−2,1,−3,4,−1,2,1,−5,4]
,
the contiguous subarray [4,−1,2,1]
has the largest sum = 6
.
(给定一个数组,求最大连续子段和)
解题思路:这个题 是dp经典题啦,将数组T第i个数最大的和定义为状态(不是整个数组最大的),这个和应不应该加前面的,加的话不能比自己本身的值还低。
直接状态转移方程把: :sum[i] = max(sum[i-1]+T[i], T[i])
最后返回最大的sun[i]
题比较简答,代码略。