【动态规划专栏】

动态规划基础知识

概念

        动态规划(Dynamic Programming,DP):用来解决最优化问题的算法思想。
        动态规划是分治思想的延伸,通俗一点来说就是大事化小,小事化无的艺术。
        一般来说,动态规划将复杂的问题分解为若干子问题,通过综合子问题的最优解来得到原问题的最优解。
        动态规划会将每个求解过的子问题记录下来,这样下次碰到相同的子问题,就可以直接使用之前记录的结果,而不重复计算。

特点

        最优子结构:动态规划将一个复杂的问题分解成若干个子问题,通过综合子问题的最优解来得到原问题的最优解。(“分”与“合”体现在 状态转移方程)其实有时候用动态规划也不一定就是最优解那种意思。
        重叠子问题:动态规划会将每个求解过的子问题的解记录下来,这样当下一次碰到同样的子问题时,就可以直接使用之前记录的结果,而不是重复计算。(虽然动态规划使用这种方式来提高计算效率,但不能说这种做法就是动态规划的核心)所谓记录就是dp数组。

写法

        递归,自顶向下(Top-down Approach),即从目标问题开始,将它分解成子问题的组合,直到分解至边界为至。
        递推,自底向上(Bottom-up Approach),即从边界开始,不断向上解决问题,直到解决了目标问题;
        适用场景:最大值/最小值, 可不可行, 是不是,方案个数

何时使用动态规划

        一个问题必须拥有重叠子问题和最优子结构,才能使用动态规划去解决。
核心套路:核心就是写出其状态转移方程(穷举);动态规划的本质,是对问题 状态的定义 和 状态转移方程的定义 ( 状态以及状态之间的递推关系 )

        下面给出动态规划中常用到的一些题目,希望能帮助大家成功掌握这门算法技术,分别为斐波那契类型、矩阵类型、动态规划在字符串的应用、最长递增子序列、最长公共子序列、动态规划在树种的应用、背包问题等等,如有错误,欢迎大家指出,谢谢!

        创作不易,点波关注再走呗~~~

斐波那契类型

1.1 爬楼梯(简单70. 爬楼梯)

1.1.1 题目描述

        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?

1.1.2 思路

1、动态规划第一点,先写出动态规划的推导公式

        假设f(x)表示表示爬到第 x级台阶的方案数,考虑最后一步可能跨了一级台阶,也可能跨了两级台阶,所以可以列举出以下式子

        f(x) = f(x-1)+f(x-2)

2、探索边界条件

        我们是从第 0级开始爬的,所以从第 0级爬到第0级我们可以看作只有一种方案,即 f(0)=1;从第 0级到第1级也只有一种方案,即爬一级,f(1)=1。

1.1.3 复杂度分析

时间复杂度:循环执行 n次,每次花费常数的时间代价,故时间复杂度为 O(n)。
空间复杂度:这里只用了常数个变量作为辅助空间,故空间复杂度为 O(1)。

1.1.4 代码

#include <iostream>
using namespace std;
class Solution {
public:int climbStairs(int n) {int p = 0, q = 0, r = 1;for (int i = 1; i <= n; ++i) {p = q; q = r; r = p + q;}return r;}
};
int main(){int n = 2;int res = Solution().climbStairs(n);cout  << res << endl;
}

1.2 斐波那契数(简单509. 斐波那契数)

1.2.1 题目描述

        斐波那契数 (通常用 F(n) 表示)形成的序列称为 斐波那契数列 。该数列由 0 和 1 开始,后面的每一项数字都是前面两项数字的和。也就是:

  • F(0) = 0,F(1) = 1
  • F(n) = F(n - 1) + F(n - 2),其中 n > 1

给定 n ,请计算 F(n) 。

输入:n=2 输出:1 ;  输入:n=3, 输出 3

1.2.2 思路

1、推导公式题目已经给出,F(n)=F(n-1)+F(n-2)

2、边界条件:F(0)和F(1);

3、此题优化的一个方向:使用滚动数组思想将空间复杂度优化成O(1)

1.2.3 复杂度分析

时间复杂度:O(n)

空间复杂度:O(1)

1.2.4 代码

#include <iostream>
#include <vector>
using namespace std;
class Solution {
public:// 简单509: 斐波那契数int fib(int n) {if (n < 2) {return n;}int p = 0, q = 0, r = 1;for (int i = 2; i <= n; ++i) {p = q; q = r; r = p + q;}return r;}
};
int main()
{int n = 3;int res = Solution().fib(n);cout << res << endl;n = 4;res = Solution().fib(n);cout << res << endl;
}

1.3 打家劫舍(中等198. 打家劫舍)

1.3.1 题目描述

        你是一个专业的小偷,计划偷窃沿街的房屋。每间房内都藏有一定的现金,影响你偷窃的唯一制约因素就是相邻的房屋装有相互连通的防盗系统,如果两间相邻的房屋在同一晚上被小偷闯入,系统会自动报警

        给定一个代表每个房屋存放金额的非负整数数组,计算你不触动警报装置的情况下 ,一夜之内能够偷窃到的最高金额。

1.3.2 思路

这种比较复杂的动态规划,步骤可能比较麻烦了,可以分为四个解题步骤,如下所示:

  • 定义子问题
  • 写出子问题的递推关系
  • 确定DP数组的计算顺序
  • 空间优化(可选,非必须)

定义子问题

        原问题为从全部房子,将问题缩小为“从k个房间中能偷到的最大金额”,用f(k)表示;子问题包含参数k。假设共有n个房间,则有n个子问题。动态规划实际上就是通过求解一堆子问题的解来获得原问题的解。子问题常需要满足以下条件:

  • 原问题能由子问题表示。
  • 一个字问题的解能够通过其他子问题求解。例如本题中f(k)可以由f(k-1)和f(k-2)求出。

写出子问题的递推关系

        此题中,一共有n个房子,每个房子的金额分别是H0,H1,...,Hn-1,子问题f(k)表示从前k个房子中能偷到的最大金额,那么有两种偷法。

也就是f(k)=max{f(k-1),Hk-1+f(k-2)}; 边界条件为:f(0)=0,f(1)=H0

确定计算顺序

        在确定了子问题的递推关系之后,下一步就是依次计算出这些子问题了。在很多教程中都会写,动态规划有两种计算顺序,一种是自顶向下的、使用备忘录的递归方法,一种是自底向上的、使用 dp 数组的循环方法。不过在普通的动态规划题目中,99% 的情况我们都不需要用到备忘录方法,所以我们最好坚持用自底向上的 dp 数组。

        DP 数组也可以叫”子问题数组”,因为 DP 数组中的每一个元素都对应一个子问题。如下图所示,dp[k] 对应子问题 f(k),即偷前k间房子的最大金额。

        只要搞清楚了子问题的计算顺序,就可以确定 DP 数组的计算顺序。对于小偷问题,我们分析子问题的依赖关系,发现每个 f(k)依赖 f(k−1)和 f(k−2)。也就是说,dp[k] 依赖 dp[k-1] 和 dp[k-2]。

空间优化

空间优化的基本原理是,很多时候我们并不需要始终持有全部的 DP 数组。对于小偷问题,我们发现,最后一步计算 f(n)f(n)f(n) 的时候,实际上只用到了 f(n−1)f(n-1)f(n−1) 和 f(n−2)f(n-2)f(n−2) 的结果。n−3n-3n−3 之前的子问题,实际上早就已经用不到了。那么,我们可以只用两个变量保存两个子问题的结果,就可以依次计算出所有的子问题。

1.3.3 复杂度分析

时间复杂度:O(n)

空间复杂度:O(1)

1.3.4 代码

#include <iostream>
#include <vector>
using namespace std;
class Solution
{
public:int rob(vector<int> &nums){int prev = 0;int curr = 0;// 每次循环,计算“偷到当前房子为止的最大金额”for (int i : nums){// 循环开始时,curr 表示 dp[k-1],prev 表示 dp[k-2]// dp[k] = max{ dp[k-1], dp[k-2] + i }int temp = max(curr, prev + i);prev = curr;curr = temp;// 循环结束时,curr 表示 dp[k],prev 表示 dp[k-1]}return curr;}
};
int main()
{vector<int> nums = {1, 2, 3, 1};int res = Solution().rob(nums);cout << res << endl;nums = {2, 7, 9, 3, 1};res = Solution().rob(nums);cout << res << endl;
}

斐波那契类型的动态规划题目练习:

第N个泰波那契数 

删除并获得点数

矩阵类型的动态规划

2.1 中等62. 不同路径

链接:不同路径

2.1.1 题目描述

一个机器人位于一个 m x n 网格的左上角 (起始点在下图中标记为 “Start” )。机器人每次只能向下或者向右移动一步。机器人试图达到网格的右下角(在下图中标记为 “Finish” )。问总共有多少条不同的路径?

示例2:

输入:m = 3, n = 2
输出:3
解释:
从左上角开始,总共有 3 条路径可以到达右下角。
1. 向右 -> 向下 -> 向下
2. 向下 -> 向下 -> 向右
3. 向下 -> 向右 -> 向下

2.1.2 思路

1. 确定dp数组以及下标的含义:dp[i][j] 代表到达矩阵 [i,j] 位置总共具有多少条路径
2. 确定递推公式:到达 [i,j] 的路径总数 dp[i][j] 相当于由 dp[i-1][j]+向下移动一格 和 dp[i][j-1]+向右移动一格 组成。
        dp[i][j] = dp[i−1][j] + dp[i][j−1];
3. dp数组如何初始化:第0行和第0列都赋值为1
4. 确定遍历顺序:从前到后

5. 空间优化:由于dp[i][j]仅与第 i 行和第 i−1 行的状态有关,因此我们可以使用滚动数组代替代码中的二维数组,使空间复杂度降低为 O(n)。

2.1.3 复杂度分析

时间复杂度:O(mn)。

空间复杂度:O(min(m,n)),即为存储所有状态需要的空间。注意到 f(i,j)仅与第 i行和第 i−1 行的状态有关,因此我们可以使用滚动数组代替代码中的二维数组,使空间复杂度降低为 O(n)。此外,由于我们交换行列的值并不会对答案产生影响,因此我们总可以通过交换 m 和 n 使得 m≤n,这样空间复杂度降低至 O(min⁡(m,n))。

2.1.4 代码

class Solution {
public:int uniquePaths(int m, int n){vector<int> f(n, 1);for (int i = 1; i < m; ++i){for (int j = 1; j < n; ++j){f[j] += f[j - 1];}}return f[n - 1];}
};
int main()
{cout << Solution().uniquePaths(3, 7) << endl;cout << Solution().uniquePaths(3, 2) << endl;
}

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/718459.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

【CSS】初学轻松学会使用Flex布局

目录 什么是Flex布局如何开始使用Flex布局Flex容器的属性Flex项目的属性举个例子 什么是Flex布局 Flex布局是一种基于盒子模型的布局方式&#xff0c;它让我们可以轻松地控制容器内的元素在主轴和交叉轴上的排列方式。通过设置不同的Flex属性&#xff0c;我们可以实现各种不同…

探索Hadoop的三种运行模式:单机模式、伪分布式模式和完全分布式模式

目录 前言一、 单机模式二、 伪分布式模式三、 完全分布式模式&#xff08;重点&#xff09;3.1 准备工作3.2 配置集群3.2.1 配置core-site.xml 文件3.2.2 配置hdfs-site.xml 文件3.2.3 配置yarn-site.xml 文件3.2.4 配置mapred-site.xml 文件 3.3 启动集群3.3.1 配置workers3.…

【百度】商业AIGC组_AIGC Java研发工程师(J70353)

北京市技术4人2024-02-28 工作职责&#xff1a; 负责商业AIGC平台方向的工程架构设计及研发&#xff0c;致力于为广告业务提供内容生成、内容知识化、内容多模态等中台化服务&#xff0c;并将内容能力打通广告检索系统&#xff0c;于广告的触发、创意、模型和机制等联动&#…

RK3568 android11 调试陀螺仪模块 MPU6500

一&#xff0c;MPU6500功能介绍 1.简介 MPU6500是一款由TDK生产的运动/惯性传感器&#xff0c;属于惯性测量设备&#xff08;IMU&#xff09;的一种。MPU6500集成了3轴加速度计、3轴陀螺仪和一个板载数字运动处理器&#xff08;DMP&#xff09;&#xff0c;能够提供6轴的运动…

Matlab|基于Logistic函数负荷需求响应

目录 1 基于Logistic函数的负荷转移率模型 2 程序示例 3 效果图 4 下载链接 负荷需求响应模型种类较多&#xff0c;有电价型和激励型等类型&#xff0c;本次和大家分享一个基于Logistic函数的负荷转移率模型&#xff0c;该模型属于电价型&#xff0c;由于该方法使用的较少&a…

mysql 性能调优参数配置文件

########################################################################### ## my.cnf for MySQL 8.0.x # ## 本配置参考 https://imysql.com/my-cnf-wizard.html # ## 注意&#xff1a; …

python爬虫之app爬取-charles的使用

专栏系列:http://t.csdnimg.cn/WfCSx 前言 前面介绍的都是爬取 Web 网页的内容。随着移动互联网的发展,越来越多的企业并没有提供 Web 网页端的服务,而是直接开发了 App,更多更全的信息都是通过 App 来展示的。那么针对 App 我们可以爬取吗?当然可以。 App 的爬取相比 …

FM AM WM DAB是啥

技术描述频率范围优点缺点调频调制&#xff08;FM&#xff09;在FM广播中&#xff0c;音频信号的频率被调制以匹配载波信号的变化&#xff0c;而载波信号的振幅保持不变。FM广播通常具有较高的音质&#xff0c;并且在一定范围内提供清晰的音频。88 MHz 至 108 MHz- 高音质 - 清…

[linux] matplotlib plt画training dynamics指标曲线时,标记每个点的值

plt画折线图时&#xff0c;plt.annotate标记折线图的点的数值。 def plot_ret(*ret_dicts):plt.figure(figsize(10, 5))for ret_dict in ret_dicts:print(ret_dict["iters"])plt.plot([iter*4/1000 for iter in ret_dict["iters"]], ret_dict["ret&q…

亿道信息发布两款升级款全加固笔记本电脑

2022年5月19日&#xff0c;加固手持终端。加固平板电脑、加固笔记本电脑专业设计商和制造商&#xff0c;以及加固型移动计算机软硬件整体定制解决方案提供商亿道信息&#xff0c;宣布对其两款广受欢迎的加固笔记本电脑产品EM-X14U和EM-X15U进行重大升级。新发布的两款升级款全加…

下载element-ui 资源,图标 element-icons.woff,element-icons.ttf 无法解码文件字体

css下载地址&#xff1a;https://unpkg.com/element-ui2.15.14/lib/theme-chalk/index.css js下载地址&#xff1a;https://unpkg.com/element-ui2.15.14/lib/index.js 图标及文字文件下载地址&#xff1a; element-icons.woff:&#xff1a; ​ https://unpkg.com/element-…

《TCP/IP详解 卷一》第10章 UDP 和 IP 分片

目录 10.1 引言 10.2 UDP 头部 10.3 UDP校验和 10.4 例子 10.5 UDP 和 IPv6 10.6 UDP-Lite 10.7 IP分片 10.7.1 例子&#xff1a;IPV4 UDP分片 10.7.2 重组超时 10.8 采用UDP的路径MTU发现 10.9 IP分片和ARP/ND之间的交互 10.10 最大UDP数据报长度 10.11 UDP服务器…

【java、微服务、nacos】nacos学习笔记

Nacos服务分级存储模型 ① 一级是服务&#xff0c;例如userservice ②二级是集群&#xff0c;例如杭州或上海 ③ 三级是实例&#xff0c;例如杭州机房的某台部署了userservice的服务器 配置实例集群属性 改变服务的yml文件 spring:cloud:nacos:discovery:cluster-name: H…

Docker将本地的镜像上传到私有仓库

使用register镜像创建私有仓库 [rootopenEuler-node1 ~]# docker run --restartalways -d -p 5000:5000 -v /opt/data/regostry:/var/lib/registry registry:2[rootopenEuler-node1 ~]# docker images REPOSITORY TAG IMAGE…

Day 60 | 动态规划 647. 回文子串 、 516.最长回文子序列 、动态规划总结篇

647. 回文子串 题目 文章讲解 视频讲解 class Solution {public int countSubstrings(String s) {char[] chars s.toCharArray();int len chars.length;boolean[][] dp new boolean[len][len];int result 0;for (int i len - 1; i > 0; i--) {for (int j i; j < l…

基于React低代码平台开发:构建高效、灵活的应用新范式

文章目录 一、React与低代码平台的结合优势二、基于React的低代码平台开发挑战三、基于React的低代码平台开发实践四、未来展望《低代码平台开发实践&#xff1a;基于React》编辑推荐内容简介作者简介目录前言为什么要写这本书 读者对象如何阅读本书 随着数字化转型的深入&…

library cache lock/pin

【故障现象】 某些session执行操作被堵塞&#xff0c;检查event发现’library cache lock/pin’等待&#xff1b; 【可能故障原因】 library cache lock/pin发生在多个session对相同library cache对象进行争用发生&#xff0c;一般来说在存储过程编译过程中发生并堵塞编译。 …

SOA与微服务的区别

SOA&#xff08;面向服务的架构&#xff09;和微服务是两种不同的架构风格&#xff0c;它们有一些相似之处&#xff0c;但也存在一些区别。 1. 规模和粒度&#xff1a;SOA是一种面向企业级应用的架构风格&#xff0c;它关注的是将整个企业的功能划分为一组自治的服务。这些服务…

内核中的Kconfig文件

Kconfig解析 编译内核时用于配置的Kconfig文件 以内核中的ttyprintk.c为例&#xff0c;其位于/kernel-sources/dirver/char/ttyprintk.c 如何将其编译进内核&#xff1f; 在char目录下有Kconfig文件&#xff0c;其中有如下内容 tristate 表示该模块可以选择 Y N M(以.ko形…

华为od机试C卷-最长表达式求值

1 题目描述 提取字符串中的最长合法简单数学表达式子串&#xff0c;字符串长度最长的&#xff0c;并计算表达式的值&#xff0c;如果没有返回0。简单数学表达式只能包含以下内容0-9 数字&#xff0c;符号* 说明: 1.所有数字&#xff0c;计算结果都不超过 long 2.如果有多个长…