🔷 背包问题 (Knapsack Problem)
-
特点:
- 问题描述: 给定一组物品,每个物品有一个重量和一个价值,确定哪些物品应该被选择,使得总重量不超过背包的容量,同时总价值最大。
-
优点:
- 提供了一个有效的方法来解决具有重叠子问题和最优子结构的问题。
- 能够避免重复计算。
-
缺点:
- 需要额外的存储空间来保存子问题的解。
- 实施起来可能比较复杂。
示例:
使用二维数组 dp[i][j]
表示在前 i
个物品中选择总重量不超过 j
的物品的最大价值。
- 初始化
dp[0][j] = 0
,表示没有物品时的价值为0。 - 对于每个物品,根据其重量和价值,更新
dp[i][j]
的值。 - 最后,
dp[n][W]
将包含最大的价值,其中n
是物品的数量,W
是背包的容量。
🔷 最长公共子序列 (Longest Common Subsequence, LCS)
-
特点:
- 问题描述: 给定两个序列,找到两个序列都有的最长子序列的长度。
-
优点:
- 动态规划提供了一种有效的方法来解决这个问题,避免了暴力解法的高复杂性。
-
缺点:
- 需要额外的存储空间。
示例:
使用二维数组 dp[i][j]
表示前 i
个字符的第一个序列和前 j
个字符的第二个序列的LCS的长度。
- 如果两个序列的当前字符相同,则
dp[i][j] = dp[i-1][j-1] + 1
。 - 如果不相同,则
dp[i][j] = max(dp[i-1][j], dp[i][j-1])
。 - 最后,
dp[m][n]
将给出LCS的长度,其中m
和n
分别是两个序列的长度。
🔷 最短路径问题 (Shortest Path Problem)
-
特点:
- 问题描述: 在加权图中找到从源点到所有其他顶点的最短路径。
-
优点:
- Dijkstra算法和Bellman-Ford算法都使用了动态规划的原理。
- 能够找到最短路径并计算其长度。
-
缺点:
- Dijkstra算法不能处理负权边。
- Bellman-Ford算法的时间复杂度相对较高。
示例:
Dijkstra算法使用优先队列来选择当前最短路径的顶点,并更新其相邻顶点的路径长度。这个过程会重复,直到找到所有顶点的最短路径。
Bellman-Ford算法会重复地遍历所有的边,尝试更新每个边的两个顶点之间的距离。这个过程会重复 n-1
次,其中 n
是顶点的数量。
⚠️ 注意: 动态规划是一种强大的解决复杂问题的技术,它通过分解问题成小问题来解决大问题。通过存储子问题的解,可以避免重复的工作,从而提高效率。