动态规划思路解析
2023-02-18 16:23:10 时间
阿巩
坚决不咕咕咕!
动态规划绝对是面试前的算法必修课,它主要是用于解决求最值的问题。动态规划的核心即穷举,那么如何编写状态转移方程则成为动态规划算法思想的关键,这也正是它的难点所在。日拱一卒,迎难(男?)而上,让我们开始吧!
我们从三个力扣例题中体会下动态规划:
- 青蛙跳台阶
- 连续子数组的最大和
- 无重复字符的最长子串
青蛙跳台问题
首先来定义状态:dp[n]表示前n级台阶的跳法;然后来确定状态转移方程,假设已知n-1种跳法,当青蛙站在第n-1级台阶时只有一种跳法(即站在倒数第一级台阶),此时跳法为dp[n-1]*1;当青蛙在n-2级台阶时,由于之前已计算过在n-1级的跳法,所以不能跳到n-1级上,因此只有跳两级这一种跳法,那么dp[n-2]*1即为青蛙在n-2级时的跳法。
那么我们的状态转移方程,即n级台阶的跳法dp[n]=dp[n-1]+dp[n-2]。
- 状态定义:dp[n]表示n级台阶的跳法
- 状态转移方程:dp[n]=dp[n-1]+dp[n-2]
- 初始状态:dp[0]=1, dp[1]=1
- 返回值:dp[]数组的最后一个数
def numWays(n):
if n == 0:
return 1
dp = [0] * (n + 1)
dp[0] = 1
dp[1] = 1
for i in range(2, n+1):
dp[i] = dp[i-1] + dp[i-2]
return dp[-1] % 1000000007
n1 = 7
n2 = 2
print(numWays(n1), numWays(n2))
# 输出21 2
动态规划解法代码框架
# 初始化
dp[0][0][...] = base
# 状态转移
for 状态1 in 状态1的全部取值:
for 状态2 in 状态2的全部取值:
...
dp[状态1][状态2][...] = 求最值(选择1, 选择2, ...)
连续子数组的最大和
题目满足动态规划的两点标准,穷举和求最值,动态规划也正是本题的最优解法。我们还按四步走的方法来分析下:
- 状态定义:dp[i]表示以nums[i]结尾的连续子数组最大和
- 状态转移方程:若dp[i-1]<=0:dp[i] = nums[i];若dp[i-1]>0:dp[i]=dp[i-1]+nums[i]
- 初始状态:dp[0] = nums[0]
- 返回值:返回dp列表中的最大值,即max(dp)
def maxSubArray(nums):
if not nums:
return
n = len(nums)
dp = [0] * n
dp[0] = nums[0]
for i in range(1, n):
if dp[i - 1] < 0:
dp[i] = nums[i]
else:
dp[i] = nums[i] + dp[i - 1]
return max(dp)
nums = [-2, 1, -3, 4, -1, 2, 1, -5, 4]
print(maxSubArray(nums))
# 输出6
空间复杂度优化:由于dp[i]只与dp[i-1]和nums[i]有关,因此可以将nums作为dp列表,直接在nums上修改即可。不需要引入dp列表,空间复杂度降为O(1)。
我们还可以使用max(nums[i-1], 0)表达式来简化if else判断,优化代码如下:
def maxSubArray(nums):
for i in range(1, len(nums)):
nums[i] += max(nums[i-1], 0)
return max(nums)
无重复字符的最长子串
这个题的出场频率在今年面试中相当高,下图是CodeTop统计的在大厂面试中出现次数:
- 状态定义:dp[j]表示以s[j]结尾的 “最长不重复子字符串” 的长度。
- 状态转移方程:固定右边界j,设字符s[j]左边距离最近的相同字符为s[i],即s[i] = s[j]。 当dp[j-1] < j - i 说明s[i]在dp[j-1]区间外,则dp[j] = dp[j-1] + 1; 当dp[j-1] >= j - i 说明s[i]在dp[j-1]区间内,则dp[j]的左边界由s[i]确定,即dp[j] = j - i。
- 返回值:最长不重复子字符串的长度max(dp)
空间复杂度优化:
由于返回值取dp列表最大值,借助tmp存储dp[j],变量res每轮刷新最大值即可。节省dp列表O(N)的额外空间开销。
这里引入哈希表来统计各字符最后一次出现的索引位置,即遍历到s[j]时,通过dic[s[j]]获取最近相同字符的索引i。
def lengthOfLongestSubstring(s):
dic = {}
res = tmp = 0
for j in range(len(s)):
i = dic.get(s[j], -1) # 获取索引 i
dic[s[j]] = j # 更新哈希表
tmp = tmp + 1 if tmp < j - i else j - i # dp[j - 1] -> dp[j]
res = max(res, tmp) # max(dp[j - 1], dp[j])
return res
s = "abcabcbb"
print(lengthOfLongestSubstring(s))
# 输出3
END
相关文章
- LeetCode - #70 爬楼梯(Top 100)
- LeetCode - #71 简化路径
- LeetCode - #72 编辑距离(Top 100)
- LeetCode - #73 矩阵置零
- LeetCode - #74 搜索二维矩阵
- [Maven进阶]聚合和继承
- Ichunqiu云境 - Delegation Writeup
- 在搭载 M1 及 M2 芯片 MacBook 设备上玩 Stable Diffusion 模型
- 在 Ubuntu 上安装 Discourse 开发环境
- 用户重复注册分析-多线程事务中加锁引发的bug
- 基于51单片机的简易抢答器
- 设计分享|74HC154译码器实现流水灯
- adobe photoshop软件2023最新版下载安装
- Photoshop2023最新完美版一键式安装教程
- DaVinci Resolve2023永久免费版下载安装教程
- 3dmax软件2023最新免费版下载
- 3dmax软件2023最新软件中文Crack下载
- AE2023After Effects软件最新版一键安装下载教程
- RabbitMQ源码包集群部署(最新版本)
- 2022-12-10:给你一个由小写字母组成的字符串 s ,和一个整数 k 如果满足下述条件,则可以将字符串 t 视作是 理想字符串 : t 是字符串 s 的一