详解三道一维的动态规划算法题
Posted 帅地玩编程
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了详解三道一维的动态规划算法题相关的知识,希望对你有一定的参考价值。
来源:知乎(已获得授权)
前阵子写了两篇动态规划的文章
后面说要给大家讲解一些案例,不过一直没讲,由于前阵子手受伤了导致手不能运动,一直没给大家写文章,所以呢,我就找一些感觉还不错的文章供大家消费。
例1: 打家劫舍
动态规划思考步骤:
1、原问题:
在一条直线上,有n个房屋,每个房屋中有数量不等的财宝,有一个盗 贼希望从房屋中盗取财宝,由于房屋中有报警器,如果同时从相邻的两个房屋中盗取财宝就会触发报警器。问在不触发报警器的前提下,最多可获取多少财宝?例如 [5,2,6,3,1,7],则选择5,6,7
来源于LeetCode 198. House Robber
2 、子问题:
(1)、只考虑前两个房间时,谁大选谁
(2)、考虑第三个房间
如果偷第三个房间,则意味着第二个房间不投,也就是第三个房间值 + 第一个房间的宝藏数量
如果不偷第三个房间,则宝藏数量等于前两个房间宝藏数量
3、确认状态:
int [] nums; // 各个房间的宝藏数
int [] flags = new int [n]; // 记录各个房间有没有被偷,若flag = 0 则没偷, flag = 1 则偷了。
int [] dp = new int [n]; // dp[i]表示前i个房间偷到的最大宝藏数
4、初始状态:
第一个房间:
Condistion 1 :dp[0] = nums[0] ; flags[0] = 1;
Condistion 2 :dp[0] = 0; flags[0] = 0;
第二个房间:
Condistion 1 :when flags[1] = 1; dp[1] = nums[1];
Condistion 2 :whenflags[1] = 0; dp[1] = dp[0];
选 Condistion 1 还是 Condistion 2呢?比较 两种情况下dp[1]的大小
推广到前i个房间: (i>=2)when flags[i] = 1, dp[i] = nums[i] + dp[i-2]
when flags[i] = 0; dp[i] = dp[i-1]
5、状态转移方程:
dp[0] = nums[0];
dp[1] = max(nums[0],nums[1]);
for(int i = 2;i<n;i++)
dp[i] = max(nums[i] + dp[i-2],dp[i-1])
6、代码实现
class Solution {
public int rob(int[] nums) {
if(nums.length == 0)
return 0;
int [] dp = new int[nums.length];
dp[0] = nums[0];
// 每次做数组判定时都需要做数组边界判定,防止越界
if(nums.length < 2)
return nums[0];
dp[1] = (nums[0]>nums[1]) ? nums[0] : nums[1];
for(int i = 2;i<nums.length;i++)
dp[i] = ((nums[i] + dp[i-2]) > dp[i-1]) ? (nums[i]+dp[i-2]) : dp[i-1];
return dp[nums.length-1];
}
}
例2:最大子段和
动态规划思考步骤:
1、原问题
给定一个数组,求这个数组的连续子数组中,最大的那一段的和。
如数组[-2,1,-3,4,-1,2,1,-5,4] 的子段为:[-2,1]、[1,-3,4,-1]、[4,-1,2,1]、…、[-2,1,-3,4,-1,2,1,-5,4],和最大的是[4,1,2,1],为6。
示例:
Input: int [] nums = [-2,1,-3,4,-1,2,1,-5,4],
Output: 6
Explanation: [4,-1,2,1] has the largest sum = 6.
来源于LeetCode 53. Maximum Subarray
2、子问题
只考虑第一个元素,则最大子段和为其本身 DP[0] = nums[0]
考虑前两个元素,最大子段和为 nums[0],num[1]以及 nums[0] + num[1] 中最大值 设为DP[1]
考虑前三个元素,如何求其最大子段和?还是分为两种情况讨论,第三个元素在最后的字串内吗?
若第三个元素也包含在最后的字串内,则DP[2] = Max(DP[1]+nums[2] , nums[2])
3、确认状态
DP[i] 为 以nums[i]结尾的子段的最大最短和
例如 DP[1]则为以nums[1]结尾的最大字段和
4、初始状态
dp[0] = nums[0]
dp[1] = max(dp[0]+nums[1] , nums[1])
5、状态转移方程:
dp[i] = max(dp[i-1]+nums[i],nums[i])
6、解题代码:
public class lc53_MaximumSubarray {
public int maxSubArray(int[] nums) {
int len = nums.length;
if(len == 0)
return 0;
int [] dp = new int[len];
dp[0] = nums[0];
int max = dp[0];
for (int i = 1; i<len;i++){
dp[i] = (dp[i-1]+nums[i] > nums[i]) ? dp[i-1]+nums[i] : nums[i];
if (dp[i]>max)
max = dp[i];
}
return max;
}
}
例3:找零钱
已知不同面值的钞票,求如 何用最少数量的钞票组成某个金额,求可 以使用的最少钞票数量。如果任意数量的已知面值钞票都无法组成该金额, 则返回-1。
示例:
Input: coins = [1, 2, 5], amount = 11
Output: 3
Explanation: 11 = 5 + 5 + 1
Input: coins = [2], amount = 3
Output: -1
来源于LeetCode 322. Coin Change
动态规划解题步骤:
将原问题拆分成子问题
已知什么?显而易见,钞票的金额都只需要其本身1张即可
如何在已知钞票的情况下构造出 金额X需要的最少钞票组合
确认状态
DP[0] - DP[amount] 表示构造金额amount需要的最小钞票数
确认边界状态(初始条件)
DP[coin] = 1 其他的都未知初始值设为 -1
例如coins = [1, 2, 5], amount = 11 已知 dp[1]、dp[2]、dp[5] =1
现在已知 DP[coin] 需要求出每一个DP[amount]
状态转移方程
dp[i] = min(dp[i-1], dp[i-2], dp[i-5]) + 1
解题代码:(java)
public int coinChange(int[] coins, int amount) {
int len = coins.length;
if (len == 0 || amount<0)
return -1;
if (amount==0)
return 0;
int [] dp = new int[amount+1];
for (int i = 0; i <= amount; i++){
dp[i] = -1;
}
for (int i = 0; i< len;i++){
if(coins[i] == amount)
return 1;
if(coins[i] < amount)
dp[coins[i]] = 1;
}
// State Transfer Function
for(int i = 1; i <= amount;i++){
for (int j = 0; j < len; j++){
if (i - coins[j] >= 0 && dp[i - coins[j]] != -1){
if (dp[i] == -1 || dp[i] > dp[i - coins[j]] + 1){
dp[i] = dp[i - coins[j]] + 1;
}
}
}
}
return dp[amount];
}
总结
今天实例了三道一维的题,属于 leetcode 中 medium 级别的题吧,大家也可以根据题号去搜索练练手。
推荐阅读
以上是关于详解三道一维的动态规划算法题的主要内容,如果未能解决你的问题,请参考以下文章
<LeetCode天梯>Day003 买卖股票的最佳时机 II(动态规划法) | 初级算法 | Python
算法动态规划 ⑦ ( LeetCode 55. 跳跃游戏 | 算法分析 | 代码示例 )