1. 写在前面
哈喽,大家好,我是jiaoxingk, 本篇内容将带你从爬楼梯问题入门动态规划
动态规划作为算法题中比较重要的一章节了,同时也是比较难写的,但是找到规律之后,大部分题无非都是在经典问题上面做变形。
本篇文章重点在于通过题目来理解DP,并不是从晦涩难懂的概念讲起
下面,我们来看看DP中的爬楼梯问题:
2. 爬楼梯
掌握DP唯一能做的就是刷题,所以我们从一道简单的经典例题入手:
我们先来看看题目:
2.1 思路
2.1.1 分解子问题
我们从题目可得,我们求的是到达第n阶的方法数,那么我们应该从这个n出发,找到与它相似的、规模更小的子问题。
比如,我们现在求到达n - 1、n - 2 .. . ... 到达第1阶的方案数。
显然,到达第1阶的方案数,我们是清楚的。
我们解决DP问题的时候,就应该将大问题转换为规模更小、更相似的小问题。因为这样,我们就可以通过递归或者递推的形式一步一步从小的求出大的。(就跟剥洋葱一样,你要知道里面是什么,你就得一层一层拨开)
2.1.2 状态定义和状态转移方程
我们要求的是到达第n层的方案数
那么,我们可以定义状态为: : 从0阶开始,到达第阶的方案数
现在,问题来了,为什么可以这样定义呢?
我们可以先枚举一下,从0开始的方案数:
1 1 2 3 5......
我们每次可以走1步或者2步,现在考虑走到第3阶的情况:
- 从1阶走上来
- 从2阶走上来
这两种情况是相互独立的,所以通过加法原理,就可以求得第3阶的情况了,所以我们扩展到n的形式:
加法原理是分类计数原理,常用于排列组合中,具体是指:做一件事情,完成它有n类方式,第一类方式有M1种方法,第二类方式有M2种方法,……,第n类方式有Mn种方法,那么完成这件事情共有M1+M2+……+Mn种方法。
要么从n - 1走上来,要么从n - 2走上来。
以上就是状态转移方程。
2.1.3 初始化
0阶:1种
1阶:1种
2.2 代码实现
class Solution:
def climbStairs(self, n: int) -> int:
f = [0] * (n + 1)
f[0] = 1
f[1] = 1
for i in range(2 , n + 1):
f[i] = f[i - 1] + f[i - 2]
return f[n]
3. 结尾
本篇文章只是简单从爬楼梯问题引入了动态规划,可以看到通过DP的形式,我们可以逐步推导出当前的状态,是非常简洁和方便的。