经典算法思想题目-爬楼梯问题

 爬楼梯问题

假设你正在爬楼梯。需要 n 阶你才能到达楼顶。

每次你可以爬 1 或 2 个台阶。你有多少种不同的方法可以爬到楼顶呢？

注意： 给定 n 是一个正整数。

示例 1：

输入： 2
输出： 2
解释： 有两种方法可以爬到楼顶。
1. 1 阶 + 1 阶
2. 2 阶

示例 2：

输入： 3
输出： 3
解释： 有三种方法可以爬到楼顶。
1. 1 阶 + 1 阶 + 1 阶
2. 1 阶 + 2 阶
3. 2 阶 + 1 阶

解法：动态规划

动态规划（Dynamic Programming，DP）是一种将复杂问题分解成小问题求解的策略，但与分治算法不同的是，分治算法要求各子问题是相互独立的，而动态规划各子问题是相互关联的。

分治，顾名思义，就是分而治之，将一个复杂的问题，分成两个或多个相似的子问题，在把子问题分成更小的子问题，直到更小的子问题可以简单求解，求解子问题，则原问题的解则为子问题解的合并。

我们使用动态规划求解问题时，需要遵循以下几个重要步骤：

• 定义子问题
• 实现需要反复执行解决的子子问题部分
• 识别并求解出边界条件

第一步：定义子问题

如果用 dp[n] 表示第 n 级台阶的方案数，并且由题目知：最后一步可能迈 2 个台阶，也可迈 1 个台阶，即第 n 级台阶的方案数等于第 n-1 级台阶的方案数加上第 n-2 级台阶的方案数

第二步：实现需要反复执行解决的子子问题部分

dp[n] = dp[n−1] + dp[n−2]

第三步：识别并求解出边界条件

// 第 0 级 1 种方案 
dp[0]=1 
// 第 1 级也是 1 种方案 
dp[1]=1

最后一步：把尾码翻译成代码，处理一些边界情况

let climbStairs = function(n) {
    let dp = [1, 1]
    for(let i = 2; i <= n; i++) {
        dp[i] = dp[i - 1] + dp[i - 2]
    }
    return dp[n]
}

复杂度分析：

• 时间复杂度：O(n)
• 空间复杂度：O(n)

优化空间复杂度：

let climbStairs = function(n) {
    let res = 1, n1 = 1, n2 = 1
    for(let i = 2; i <= n; i++) {
        res = n1 + n2
        n1 = n2
        n2 = res
    }
    return res
}

空间复杂度：O(1)

 

爬楼梯问题是一个经典的算法思想题目，可以用动态规划或递归来解决。

问题描述：假设你正在爬楼梯，楼梯有n阶。你可以一次爬一阶或两阶，求解爬到楼梯顶部有多少种不同的方法。

解决方法1 - 动态规划：
1. 定义一个长度为n+1的数组dp，其中dp[i]表示爬到第i阶楼梯的不同方法数。
2. 根据题目要求，当n=0时，表示已经到达楼顶，有1种方法；当n=1时，只有1阶楼梯可供爬，也只有1种方法。
3. 对于n>1的情况，可以爬1阶楼梯到达第i阶，或爬2阶楼梯到达第i阶。所以，到达第i阶的方法数为到达第i-1阶和到达第i-2阶的方法数之和。
   即，dp[i] = dp[i-1] + dp[i-2]。
4. 最终，返回dp[n]即可得到爬楼梯的方法总数。

解决方法2 - 递归：
1. 定义一个递归函数countWays(n)，表示爬到第n阶楼梯的不同方法数。
2. 当n=0时，表示已经到达楼顶，有1种方法；当n=1时，只有1阶楼梯可供爬，也只有1种方法。
3. 对于n>1的情况，可以爬1阶楼梯到达第n阶，或爬2阶楼梯到达第n阶。所以，countWays(n) = countWays(n-1) + countWays(n-2)。
4. 在递归函数中，使用递归方式调用countWays(n-1)和countWays(n-2)，直到n=0或n=1时返回相应的值即可。

选择使用动态规划还是递归来解决爬楼梯问题，可以根据具体的问题规模和需求来选择。动态规划一般较为高效，适用于大规模问题；递归较为直观，适用于小规模问题或对问题解法的思考和理解上。