动态规划包含三个重要概念:
- 最优子结构
- 边界
- 状态转移公式
例题1:爬楼梯问题 or 斐波拉契数列(单维度动态规划 相对容易)
例题2:国王和金矿 (双维度动态规划)
有一个国家发现了5座金矿,每座金矿的黄金储量不同,需要参与挖掘的工人数也不同。参与挖矿工人的总数是10人。每座金矿要么全挖,要么不挖,不能派出一半人挖取一半金矿。要求用程序求解出,要想得到尽可能多的黄金,应该选择挖取哪几座金矿?
1、400金/5人 2、500金/5人 3、200金/3人 4、300金/4人 5、350金/3人
解析: N: 金矿数 ; M:人数; G[]:黄金量; P[]:用工量;
F(N,W):Solution函数。
最优子结构:F( 4,10 ), F( 4,10-P[4] )+G[4] )
解释:(前4个金矿10个工人的挖金数量)与(前4个金矿7个工人的挖金数量+第五个金矿的挖金数量)
边界:当N=1,M>=P[0] F( N,M ) =G[0]
当N=1,M< p[0] F(N,M)=0
状态转移公式:F(5,10)=max( F( 4,10 ),F( 4,10-P[4] )+G[4] ) (N>1,M>=P[N-1])
or F( N,M)=F( N-1,M ) (N>1,M<P[N-1])
解释:5个金矿10个工人的挖金数量最优选择就是(前4个金矿10个工人的挖金数量)与(前4个金矿7个工人的挖金数量+第五个金矿的挖金数量)的较大值。(防止减出负数)
编程:
- 自顶向下简单递归:时间空间:O(2^N) 与M无关。
class Solution1:
def __init__(self,G=[],P=[]):
self.G = G
self.P = P
self.N = len(self.G)
def GoldMining(self,N,M): #金矿数量N,人数M; 黄金量列表G, 用工量列表P;
# write code here
#定义边界
if N==1 and M>=self.P[0]:
return self.G[0]
if N==1 and 0<=M<self.P[0]:
return 0
#定义状态转移 两种情况
if N>1 and M>=self.P[N-1]:
return max( self.GoldMining(N-1,M),
self.GoldMining(N-1,M-self.P[N-1])+self.G[N-1] )
if N>1 and M<self.P[N-1]:
return self.GoldMining(N-1,M)
- 备忘录递归:时间空间:O(N*M) (忽略hashMap操作的时间复杂度)。(略)
- 自底向上: 时间:O(N*M), 空间:O(M) 。
class Solution2:
def __init__(self,G=[],P=[]):
self.G = G
self.P = P
self.N = len(self.G)
def GoldMining(self,N,M): #金矿数量N,人数M; 黄金量列表G, 用工量列表P;
# write code here
preRes = [0]*M
res = [0]*M
#只有一个金矿的是时候
for i in range(M):
if i+1<self.P[0]:
preRes[i] = 0
else:
preRes[i] = self.G[0]
res = preRes.copy()
for i in range(1,N):
# 每一层代表前N个金矿人工数(1~10)人的解
# 前一层已经求出相同人数时选取不同金矿的最大值所以可以叠加
for j in range(M):
if (j+1)<self.P[i]: # j为坐标, j+1为人数
res[j] = preRes[j]
else:
tempnum = 0 if j-self.P[i]<0 else j-self.P[i]
res[j] =max(preRes[j],preRes[tempnum]+self.G[i])
preRes = res.copy()
return res[-1]
扩展思路: 当挖掘工人总数非常大 且金矿数量比较小的时候:N:5, M:1000
自顶向下递归方法: 时间复杂度 O(2^N)=32 空间复杂度 O(2^5)=32 与M无关
自底向下迭代方法: 时间复杂度 O(M*N)=5000 空间复杂度 O(M)=1000
所以对于不同问题不总是迭代的时空复杂度优于递归。