常用算法-动态规划

---

🔷 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。

1. 初始化 dp[0][j] = 0，表示没有物品时的价值为0。
2. 对于每个物品，根据其重量和价值，更新 dp[i][j] 的值。
3. 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。

1. 如果两个序列的当前字符相同，则 dp[i][j] = dp[i-1][j-1] + 1。
2. 如果不相同，则 dp[i][j] = max(dp[i-1][j], dp[i][j-1])。
3. 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。