算法学习笔记（8.2）-动态规划入门进阶

目录

问题判断:

问题求解步骤：

图例：

解析：

方法一：暴力搜索

实现代码如下所示：

解析：

方法二：记忆化搜索

代码示例：

解析：

方法三：动态规划

空间优化

代码如下

问题判断:

总的来说，如果一个问题包含重叠子问题、最优子结构，并满足无后效性，那么它通常适合用动态规划求解。然而，我们很难从问题的描述中直接提取出这些特征，因此通常需要放宽条件，首先需要观察问题适不适合使用回溯（穷举）解决。

适合用回溯解决的问题通常满足“决策树模型”，对于问题可以使用树形结构来描述，其中每一个节点代表一个决策，每一条路径代表一个决策序列。

换句话说，如果问题包含明确的决策概念，并且解是通过一系列决策产生的，那么它就满足决策树模型，通常可以使用回溯解决。

在此基础上，动态规划问题还有一些判断的“加分项”。

1. 问题包含最大（小）或最多（少）等优化描述。

2. 问题的状态能够使用一个列表、多维矩阵或树来表示，并且一个状态与其周围的状态存在递推关系。

相应地，也存在一些“减分项”。

1. 问题的目标是找出所有的解决方案，而不是找出最优解。

2. 问题描述中有明显的排列组合特征，需要返回具体的对个方案。

如果一个问题满足决策树模型，并具有较为明显的“加分项”，我们就可以假设它是一个动态规划问题，并在求解过程中验证它。

问题求解步骤：

动态规划的问题解题流程会因为问题的性质和难度有所不同，但通常遵循一下步骤：描述决策，定义状态，建立dp表，推导状态转移方程，确定边界问题等。

为了理解动态规划的解题的过程，使用一个经典的例题“最短路径和”

Question：

给定一个n * m的二维网格grid，网格中的每个单元包含一个非负整数，表示该单元格的代价。机器人以左上角单元格为起始点，每次只能向下或者向右移动一步，直至到达右下角单元格。请返回左上角到右下角的最小路径和。

图例：

给定网格的最小路径和为13

第一步：思考每轮的决策，定义状态，从而得到dp表

本题的每一轮的决策就是从当前格子向下或者向右走一步。设当前格的行列索引为[i,j]，则向下或向右走一步后，索引变为[i+1,j]或[i,j+1]。因此，状态应包含行索引和列索引两个变量，记为[i,j]。

状态[i,j]对应的子问题为：从起始点[0,0]走到[i,j]的最小路径和，记作dp[i,j]。

如图所示：dp二维矩阵，其尺寸与输入网格grid相同。

注意点：（Note）

动态规划和回溯过程可以描述成为一个决策序列，而状态由所有决策变量构成。应当包含描述解题进度的所有变量，其包含了足够的信息，能用来推导下一个状态。

每个状态都对应一个子问题，我们会定义成为一个dp表来存储所有子问题的解，状态的每个独立变量都是dp表中的一个维度。从本质上看，dp表是状态和子问题的解之间的映射。

第二步：找出最优子结构，进而推导出状态转移方程

对应状态[i,j]，它只能从上边的格子[i-1，j]和左边的格子[I,j-1]转移过来。因此最优子结构为：到达[i,j]的最小路径和由[i-1，j]的最小路径和与[I,j-1的最小路径和哪个较小来决定。

根据以上的分析得出状态转移方程为：

dp[i,j] = min(dp[i-1,j],dp[i,j-1]) +grid[i,j]

图示如下：

注意点：（Note）

根据定义好的dp表，思考原问题和子问题的关系，找出通过子问题的最优解来构造原问题的最优解的方法，即最优子结构。

一旦我们找到了最优子结构，就可以使用它来构建出来状态转移方程。

第三步：确定边界条件和状态转移顺序

在本题中，处在首行的状态只能从其左边的状态得来，处在首列的状态只能从其上边的状态得来，因此首行i = 0 和首列的 j = 0 是边界条件。

如图所示，由于每个格子是由其左方格子和上方格子转移而来，因此我们使用循环来遍历矩阵，外循环遍历各行，内循环遍历各列。

解析：

根据对上面的理解我们已经可以写出动态规划的代码。然而子问题的解决是一种从顶至底的思想，因此按照“暴力搜索”->“记忆化搜索”->“动态规划”的顺序实现符合思维习惯。

方法一：暴力搜索

从状态[i,j]开始搜索，不断分解为更小的状态[i-1,j]和[i,j-1]，递归函数包括以下的要素。

  1. 递归参数：状态[i,j]。
  2. 返回值：从[0,0]到[i,j]的最小路径和dp[i,j]。
  3. 终止条件：当 i = 0 且 j = 0 时，返回代价grid[0,0]。
  4. 剪枝：当i<0时或j<0时索引越界时，此时返回代价+∞，代表不可行。
实现代码如下所示：
# python 代码示例
def min_path_sum_dfs(grid, i, j) :if i == 0 and j == 0 :return grid[0][0]if i < 0 or j < 0 :return infup = min_path_sum_dfs(grid, i - 1, j)left = min_path_sum_dfs(grid, i, j - 1)return min(up, left) + grid[i][j]

// c++ 代码示例
int minPathSumDFS(vector<vector<int>> &grid, int i, int j)
{if (i == 0 && j == 0){return grid[0][0] ;}    if (i < 0 or j < 0){retunr INT_MAX ;}int up = minPathSumDFS(grid, i - 1, j) ;int left = minPathSumDFS(grid, i, j - 1) ;return min(up, left) + gird[i][j] ;
}

解析：

给出一个dp[2,1]为根节点的递归树，其中包含一些重叠子问题，其数量会随着网格grid的尺寸变大而急剧增多。

造成重叠子问题的原因：存在多条路径可以从左上角到达某一单元格。

每个状态都有向下和向右两种选择，从左上角走到右下角总共需要m+n-2步，所以最差的时间复杂度为O(2^(m+n))。这种计算方法并没有考虑网格的边界情况，当到达网格边界时只剩下一种选择，因此实际的路径会少一些。

方法二：记忆化搜索

引入一个与grid网格大小相同的记忆列表mem，用于记录各个子问题的解，并将重叠子问题进行剪枝。

代码示例：
// c++ 代码示例
def min_path_sum_dfs_mem(grid, mem, i, j) :if i == 0 and j == 0 :return grid[0][0]if i < 0 or j < 0 :return infif mem[i][j] != -1 :return mem[i][j]up = min_path_sum_dfs_mem(grid, mem, i - 1, j)left = min_path_sum_dfs_mem(grid, mem, i, j - 1)mem[i][j] = min(up, left) + grid[i][j]return mem[i][j]
// c++ 代码示例
int minPathSumDFSMem(vector<vector<int>> &grid, vector<vector<int>> &mem, int i, int j) {if (i == 0 && j == 0) {return grid[0][0] ;}if (i < 0 || j < 0) {return INT_MAX ;}if (mem[i][j] != -1) {return mem[i][j] ;}int up = minPathSumDFSMem(grid, mem, i - 1, j) ; int left = minPathSumDFSMem(grid, mem, i, j - 1) ;mem[i][j] = min(left, up) != INT_MAX ? min(left, up) + grid[i][j] : INT_MAX ;return mem[i][j] ;
}

解析：

在引入记忆化搜索之后，所有的子问题只需要计算一次，因此时间复杂度取决于状态总数，即网格尺寸O(m*n)

方法三：动态规划

基于迭代实现动态规划，代码如下所示：

# pyhton 代码示例
def min_path_sum_dp(grid) :n, m = len(grid), len(grid[0])dp = [ [0] * m for _ in range(n)]dp[0][0] = grid[0][0]for j in range(1, m) :dp[0][j] = dp[0][j - 1] + grid[0][j]for i in range(1, n) :dp[i][0] = dp[i - 1][0] + grid[i][0]for i in range(1, n) :for j in range(1, m) :dp[i][j] = min(dp[i - 1][j], dp[i][j - 1]) + gird[i][j]return dp[n - 1][m - 1]
int minPathSumDP(vector<vector<int>> &grid) {int n = grid.size(), m = grid[0].size();vector<vector<int>> dp(n, vector<int>(m));dp[0][0] = grid[0][0];for (int j = 1; j < m; j++) {dp[0][j] = dp[0][j - 1] + grid[0][j];}for (int i = 1; i < n; i++) {dp[i][0] = dp[i - 1][0] + grid[i][0];}for (int i = 1; i < n; i++) {for (int j = 1; j < m; j++) {dp[i][j] = min(dp[i][j - 1], dp[i - 1][j]) + grid[i][j];}}return dp[n - 1][m - 1];
}

动态规划的过程如下所示：便利了整个网络，因此时间复杂度为O(m*n)。

数组的dp的大小也为m * n ,因此空间复杂度为O(m*n)。

空间优化

由于每个格子只与左边和上边的格子有关，我们可以只用一个单行数组来实现dp表。

关键：数组dp只能表示一行的状态，我们无法提前初始化首行的状态，而是在遍历每行时更新它。

代码如下：
# python 代码示例def min_path_sum_dp_comp(grid : list[list[int]]) -> int :n, m = len(grid), len(grid[0])dp = [0] * mdp[0] = grid[0][0]for j in range(1, m) :dp[j] = dp[j - 1] + grid[0][j]for i in range(1, n) :dp[0] = dp[0] + grid[i][0]for j in range(1, m) :dp[j] = min(dp[j - 1], dp[j]) + grid[i][j]return dp[m - 1]
// c++ 代码示例
int minPathSumDPComp(vector<vector<int>> &grid)
{int n = grid.size(), m = grid[0].size() ;vector<int> dp(m) ;dp[0] = grid[0][0] ;for (int j = 1 ; j < m ; j++){dp[j] = dp[j - 1] + gird[0][j] ;}for (int i = 1 ; i < n ; i++){dp[0] = dp[0] + grid[i][0] ;for (int j = 1 ; j < m ; j++){dp[j] = min(dp[j - 1], dp[j]) + grid[i][j] ;}}return dp[m- 1] ;
}

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/web/42760.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

Qt入门（二）：Qt的基本组件

Qt入门（二）：Qt的基本组件

目录 Designer程序面板 1、布局Layout 打破布局 贴合窗口 2、QWidget的属性 3、Qlabel标签 显示图片 4、QAbstractButton 按钮类 按钮组 5、QLineEdit 单行文本输入框 6、ComboBox 组合框 7、若干与数字相关的组件 Designer程序面板 Qt包含了一个Designer程序 &…
阅读更多...
Django 更新数据 save()方法

Django 更新数据 save()方法

1&#xff0c;添加模型 Test/app11/models.py from django.db import modelsclass Post(models.Model):title models.CharField(max_length200)content models.TextField()pub_date models.DateTimeField(date published)class Book(models.Model):title models.CharFie…
阅读更多...
Spring Boot集成grpc快速入门demo

Spring Boot集成grpc快速入门demo

1.什么是GRPC&#xff1f; gRPC 是一个高性能、开源、通用的RPC框架&#xff0c;由Google推出&#xff0c;基于HTTP2协议标准设计开发&#xff0c;默认采用Protocol Buffers数据序列化协议&#xff0c;支持多种开发语言。gRPC提供了一种简单的方法来精确的定义服务&#xff0c…
阅读更多...
UE5.3-基础蓝图类整理一

UE5.3-基础蓝图类整理一

常用蓝图类整理&#xff1a; 1、获取当前关卡名&#xff1a;Get Current LevelName 2、通过关卡名打开关卡&#xff1a;Open Level(by name) 3、碰撞检测事件&#xff1a;Event ActorBeginOverlap 4、获取当前player&#xff1a;Get Player Pawn 5、判断是否相等&#xff1…
阅读更多...
WEB安全基础：网络安全常用术语

WEB安全基础：网络安全常用术语

一、攻击类别 漏洞&#xff1a;硬件、软件、协议&#xff0c;代码层次的缺陷。 后⻔&#xff1a;方便后续进行系统留下的隐蔽后⻔程序。 病毒&#xff1a;一种可以自我复制并传播&#xff0c;感染计算机和网络系统的恶意软件(Malware)&#xff0c;它能损害数据、系统功能或拦…
阅读更多...
C++语言学习精简笔记（包含C++20特性）

C++语言学习精简笔记（包含C++20特性）

目录 1 C新语法C与CC编译运行String编程范式C基础类型**自动类型推导**统一对象初始化&#xff1a;Uniform Initialization 控制结构if语句for语句switch语句namespace 2 函数函数声明形式参数函数参数传递的选择函数返回值的选择 函数重载 Lambda表达式函数的定义和申明生存期…
阅读更多...
【一】m2芯片的mac中安装ubuntu24虚拟机集群

【一】m2芯片的mac中安装ubuntu24虚拟机集群

文章目录 1. 虚拟机配置2. 复制虚拟机2.1 修改主机名2.2 修改网络 1. 虚拟机配置 在官方网站下载好ubuntu24-arm版镜像开始安装&#xff0c;安装使用VMWare Fusion的社区免费授权版,使用一台m2芯片的mac电脑作为物理机平台。 为什么选择ubuntu24&#xff1f;因为centOS7目前已…
阅读更多...
Proteus + Keil单片机仿真教程（五）多位LED数码管的静态显示

Proteus + Keil单片机仿真教程（五）多位LED数码管的静态显示

Proteus + Keil单片机仿真教程（五）多位LED数码管 上一章节讲解了单个数码管的静态和动态显示，这一章节将对多个数码管的静态显示进行学习，本章节主要难点： 1.锁存器的理解和使用； 2.多个数码管的接线封装方式； 3.Proteus 快速接头的使用。 第一个多位数码管示例 元件…
阅读更多...
『C + ⒈』‘\‘

『C + ⒈』‘\‘

&#x1f942;在反斜杠(\)有⒉种最常用的功能如下所示&#x1f44b; #define _CRT_SECURE_NO_WARNINGS 1 #include<stdio.h> int main(void) {int a 10;int b 20;int c 30;if (a 10 &&\b 20 &&\c 30){printf("Your print\n");}else{prin…
阅读更多...
二分查找3

二分查找3

1. 有序数组中的单一元素&#xff08;540&#xff09; 题目描述&#xff1a; 算法原理&#xff1a; 二分查找解题关键就在于去找到数组的二段性&#xff0c;这里数组的二段性是从单个数字a开始出现然后分隔出来的&#xff0c;如果mid落入左半部分那么当mid为偶数时nums[mid1]…
阅读更多...
ByteMD富文本编辑器的vue3配置

ByteMD富文本编辑器的vue3配置

Git地址&#xff1a;GitHub - bytedance/bytemd: ByteMD v1 repository 控制面板输入 npm install bytemd/vue-next 下载成功后在src/main.ts中引用 import "bytemd/dist/index.css";引入后保存&#xff0c;下面是一些插件&#xff0c;比如说我用到gmf和hightLight&…
阅读更多...
彩色图像（RGB）或灰度图像（Gray）转tensor数据（附img2tensor代码）

彩色图像（RGB）或灰度图像（Gray）转tensor数据（附img2tensor代码）

&#x1f4aa; 专业从事且热爱图像处理&#xff0c;图像处理专栏更新如下&#x1f447;&#xff1a; &#x1f4dd;《图像去噪》 &#x1f4dd;《超分辨率重建》 &#x1f4dd;《语义分割》 &#x1f4dd;《风格迁移》 &#x1f4dd;《目标检测》 &#x1f4dd;《暗光增强》 &a…
阅读更多...
CompletableFuture工具类使用

CompletableFuture工具类使用

CompletableFuture工具类可以帮助实现Java并发编程中的任务编排 以上除了join用于阻塞调用该方法的线程并且接受CompletableFuture的返回值以外其它方法皆有Async异步和Executor指定线程池选项 对于supply,run,apply,accept的区别在于函数式编程的接口类型不同: supply: Sup…
阅读更多...
tk 文本生成器

tk 文本生成器

import random import tkinter as tk import ttkbootstrap as ttk from tkinter import messagebox import pyperclipdef wenben_run():def generate_text(original_text, length):# 去掉原始文本中的换行符和空格original_text original_text.replace(\n, )original_text or…
阅读更多...
Windows11配置WSL2支持代理上网

Windows11配置WSL2支持代理上网

提示&#xff1a;文章写完后&#xff0c;目录可以自动生成&#xff0c;如何生成可参考右边的帮助文档 文章目录 前言一、安装WSL2分发版二、配置步骤三、测试总结 前言 说起来本来这个功能我也不需要的&#xff0c;只是最近突然有个需求就顺便研究了下&#xff0c;WSL2默认的网…
阅读更多...
北京大学长安汽车发布毫米波与相机融合模型RCBEVDet：最快能达到每秒28帧

北京大学长安汽车发布毫米波与相机融合模型RCBEVDet：最快能达到每秒28帧

Abstract 三维目标检测是自动驾驶中的关键任务之一。为了在实际应用中降低成本&#xff0c;提出了利用低成本的多视角相机进行3D目标检测&#xff0c;以取代昂贵的LiDAR传感器。然而&#xff0c;仅依靠相机很难实现高精度和鲁棒性的3D目标检测。解决这一问题的有效方法是将多视…
阅读更多...
C++入门基础（2）

C++入门基础（2）

目录 一、引用: 1、定义&#xff1a; 2、特性&#xff1a; 3、引用的使用&#xff1a; 4、const引用&#xff1a;控制权限 const引用定义: const引用可以接收3种对象&#xff1a; 1、正常对象&#xff1a; 2、临时对象&#xff1a; 3、const对象&#xff1a; 总结&…
阅读更多...
C++笔试强训3

C++笔试强训3

提示&#xff1a;文章写完后&#xff0c;目录可以自动生成&#xff0c;如何生成可参考右边的帮助文档 文章目录 一、选择题1-5题6-10题 二、编程题题目一题目二 一、选择题 1-5题 如图所示&#xff0c;如图所示p-3指向的元素是6&#xff0c;printf里面的是%s&#xff0c;从6开…
阅读更多...
华为机试HJ108求最小公倍数

华为机试HJ108求最小公倍数

华为机试HJ108求最小公倍数 题目&#xff1a; 想法&#xff1a; 要找到输入的两个数的最小公倍数&#xff0c;这个最小公倍数要大于等于其中最大的那个数值&#xff0c;遍历最大的那个数值的倍数&#xff0c;最大的最小公倍数就是输入的两个数值的乘积 input_number_list i…
阅读更多...
OpenFWI代码

OpenFWI代码

重点关注文章第4部分 一、代码模块概览 这一部分了解代码主要实现的功能有哪些。 二、运行 这一部分关注如何跑通。 三、数据集 12个数据集&#xff08;11个2D1个3D&#xff09; 对计算机而言&#xff0c;上述输入、输出维度大小是按次数定义的。 以“Vel&#xff0c;F…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023