当前位置:   article > 正文

【动态规划专栏】--基础-- 动态规划经典题型_c++动态规划经典题目详解

c++动态规划经典题目详解

目录

动态规划

动态规划思维(基础)

状态表示(最重要)

状态转移方程(最难)

初始化(细节)

填表顺序(细节)

返回值(结果)

1、第 N 个泰波那契数⭐

【题目解析】

【算法原理】

C++ 算法代码

复杂度分析

【空间优化 - 滚动数组】

C++ 算法代码

复杂度分析

2、三步问题⭐

【题目解析】

【算法原理】

C++ 算法代码

复杂度分析

【空间优化 - 滚动数组】

C++ 算法代码

复杂度分析

3、使用最小花费爬楼梯⭐

【题目解析一】

【算法原理一】

C++ 算法代码

复杂度分析

【空间优化 - 滚动数组一】

C++ 算法代码

复杂度分析

【题目解析二】

【算法原理二】

C++ 算法代码

复杂度分析

【空间优化 - 滚动数组二】

C++ 算法代码

复杂度分析

总结


动态规划

动态规划思维(基础)

        动态规划一般会先定义一个dp表,dp表一般为一维数组 / 二位数组。如:一维数组,会先创建一个一维数组(dp表),接下来就是想办法将这个dp填满,而填满之后里面的某一个值就是最终结果。

状态表示(最重要)

#问:是什么?

  • 就是dp[i]所代表的含义。

#问:怎么来?

  • 题目要求。
  • 经验 + 题目要求。
  • 分析问题的过程中,发现重复子问题。

状态转移方程(最难)

#问:是什么?

  • dp[i] = ?。

初始化(细节)

#问:有什么作用?

  • 保证填表的时候不越界。

        dp表是根据状态转移方程进行的,而状态转移方程是通过已有状态推出未知状态。

填表顺序(细节)

#问:有什么作用?

  • 为了填写当前状态的时候,所需要的状态已经计算过了。

返回值(结果)

        题目要求 + 状态表示。


1、第 N 个泰波那契数⭐

1137. 第 N 个泰波那契数 - 力扣(LeetCode)


【题目解析】

         泰波那契序列 Tn 是从 T0 开始的,也就是说Tn的个数是 n+1 需要注意。

【算法原理】

#:状态表示:

        这道题可以「根据题目的要求」直接定义出状态dp[i] 表示:第 i 个泰波那契数的值。

#: 状态转移方程:
         题目已经非常贴心的告诉我们了:dp[i] = dp[i - 1] + dp[i - 2] + dp[i - 3] 。
#: 初始化:

         从我们的递推公式可以看出, dp[i] 在 i = 0 以及 i = 1 的时候是没有办法进行推导的,因为 dp[-2] 或 dp[-1] 不是⼀个有效的数据。 因此我们需要在填表之前,将 0, 1, 2 位置的值初始化。题⽬中已经告诉我们 dp[0] = 0,dp[1] = dp[2] = 1 。

#:填表顺序:

         毫无疑问是「从左往右」。
#: 返回值:
        应该返回 dp[n] 的值。

C++ 算法代码

        使用⼀维数组:
  1. class Solution {
  2. public:
  3. int tribonacci(int n) {
  4. // 处理边界情况
  5. if(n == 0) return 0;
  6. if(n <= 2) return 1;
  7. // 1、创建dp表
  8. vector<int> dp(n + 1,0);
  9. // 2、初始化
  10. dp[1] = 1, dp[2] = 1;
  11. // 3、填表
  12. for(int i = 3; i<=n; i++)
  13. dp[i] = dp[i - 3] + dp[i - 2] + dp[i - 1];
  14. // 4、返回值
  15. return dp[n];
  16. }
  17. };

复杂度分析

  • 时间复杂度:O(n)。
  • 空间复杂度:O(n)

【空间优化 - 滚动数组】

        通过上述图可以发现。

        dp[i]是只与前三个元素相关,所以我们可以将代码写为如下:

C++ 算法代码

  1. class Solution {
  2. public:
  3. int tribonacci(int n) {
  4. // 处理边界情况
  5. if(n == 0) return 0;
  6. if(n <= 2) return 1;
  7. // 1、创建 dp 表
  8. vector<int> val(3,0);
  9. // 2、初始化
  10. val[1] = 1, val[2] = 1;
  11. int tmp = 0;
  12. // 3、填表
  13. for(int i = 3; i<=n; i++)
  14. {
  15. tmp = val[0] + val[1] + val[2];
  16. val[0] = val[1], val[1] = val[2], val[2] = tmp;
  17. }
  18. // 4、返回
  19. return tmp;
  20. }
  21. };

复杂度分析

  • 时间复杂度:O(n)。
  • 空间复杂度:O(1)

2、三步问题⭐

 面试题 08.01. 三步问题 - 力扣(LeetCode)


【题目解析】

         散步问题 dpn 是从 dp1 开始的,也就是说 Tn 的个数是 n + 1 需要注意,将 pd[0] 单独放在一旁有益于代码的书写。

        对应的阶梯是由前三个阶梯而来。

【算法原理】

#:状态表示:

        这道题可以根据 「经验 + 题目要求」 直接定义出状态 dp[i] 表示:到达 i 位置时,⼀共有多少种方法。
#: 状态转移方程:
        以 i 位置状态的最近的⼀步,来分情况讨论: 如果 dp[i] 表示小孩上第 i 阶楼梯的所有方式,那么它应该等于所有上⼀步的方式之和:
  1. 上⼀步上⼀级台阶, dp[i] += dp[i - 1] ;
  2. 上⼀步上两级台阶, dp[i] += dp[i - 2] ;
  3. 上⼀步上三级台阶, dp[i] += dp[i - 3] ;
        即上述,dp[i] = dp[i - 1] + dp[i - 2] + dp[i - 3] 。 需要注意的是,由于结果可能很大,需要对结果取模。 在计算的时候,三个值全部加起来再取模,即 (dp[i - 1] + dp[i - 2] + dp[i - 3]) % 1000000007 是不可取的,对于这类需要取模的问题,我们每计算⼀次,都需要取⼀次模。
#: 初始化:
        从我们的递推公式可以看出, dp[i] 在 i = 0, i = 1 以及 i = 2 的时候是没有办法进行推导的,因为 dp[-3] dp[-2] 或 dp[-1] 不是⼀个有效的数据。因此我们需要在填表之前,将 1, 2, 3 位置的值初始化。根据题意,dp[1] = 1,dp[2] = 2,dp[3] = 4 。

#:填表顺序:

         毫无疑问是「从左往右」。
#: 返回值:
        应该返回 dp[n] 的值。

C++ 算法代码

        使用⼀维数组:
  1. class Solution {
  2. public:
  3. int waysToStep(int n) {
  4. // 处理边界情况
  5. if(n == 1 || n == 2) return n;
  6. if(n == 3) return 4;
  7. // 1、创建 dp 表
  8. vector<int> dp(n + 1, 0);
  9. // 2、初始化
  10. dp[1] = 1, dp[2] = 2, dp[3] = 4;
  11. // 3、填表
  12. for(int i = 4; i <= n; i++)
  13. dp[i] = ((dp[i - 1] + dp[i - 2]) % 1000000007 + dp[i - 3]) % 1000000007;
  14. // 4、返回
  15. return dp[n];
  16. }
  17. };

复杂度分析

  • 时间复杂度:O(n)。
  • 空间复杂度:O(n)

【空间优化 - 滚动数组】

        通过上述图可以发现。

        dp[i]是只与前三个元素相关,所以我们可以将代码写为如下:

C++ 算法代码

  1. class Solution {
  2. public:
  3. int waysToStep(int n) {
  4. // 1、创建 dp 表
  5. vector<int> dp(4, 0);
  6. // 2、初始化
  7. dp[1] = 1, dp[2] = 2, dp[3] = 4;
  8. // 处理边界情况
  9. if(n <= 3) return dp[n];
  10. // 3、填表
  11. uint64_t tmp = 0;
  12. for(int i = 4; i <= n; i++)
  13. {
  14. tmp = ((dp[1] + dp[2]) % 1000000007 + dp[3]) % 1000000007;
  15. dp[1] = dp[2], dp[2] = dp[3], dp[3] = tmp;
  16. }
  17. // 4、返回
  18. return tmp;
  19. }
  20. };

复杂度分析

  • 时间复杂度:O(n)。
  • 空间复杂度:O(1)

3、使用最小花费爬楼梯⭐

 746. 使用最小花费爬楼梯 - 力扣(LeetCode)


【题目解析一】

        pd[i]是由前两个台阶的,所处台阶需花费用 + 所处台阶已花费用的min值。 需要注意的是,此处的顶部并不是n,而是n+1。

【算法原理一】

#:状态表示:

        这道题可以根据「经验 + 题目要求」直接定义出状态dp[i] 表示:到达 i 位置时的最小花费。(注意:到达 i 位置的时候,i 位置的钱不需要算上,先到达,后出发花费)

#: 状态转移方程:
根据最近的⼀步,分情况讨论:
  1. 先到达 i - 1 的位置,然后支付 cost[i - 1] ,接下来走⼀步走到 i 位置:dp[i - 1] + csot[i - 1] 
  2. 先到达 i - 2 的位置,然后支付 cost[i - 2] ,接下来走⼀步走到 i 位置:dp[i - 2] + csot[i - 2] 
#: 初始化:

         从我们的递推公式可以看出,我们需要先初始化 i = 0i = 1 位置的值。容易得到 dp[0] = dp[1] = 0 ,因为不需要任何花费,就可以直接站在第 0 层和第 1 层上。

#:填表顺序:

        根据「状态转移方程」可得,遍历的顺序是「从左往右」
#: 返回值:
         根据「状态表示以及题目要求」,需要返回 dp[n] 位置的值。

C++ 算法代码

        使用⼀维数组:
  1. class Solution {
  2. public:
  3. int minCostClimbingStairs(vector<int>& cost) {
  4. // 1、创建dp表
  5. vector<int> dp(cost.size() + 1, 0);
  6. // 2、初始化
  7. dp[0] = 0, dp[1] = 0;
  8. // 3、填表
  9. for(int i = 2; i <= cost.size(); i++)
  10. dp[i] = min(cost[i - 1] + dp[i - 1], cost[i - 2] + dp[i - 2]);
  11. // 4、返回
  12. return dp[cost.size()];
  13. }
  14. };

复杂度分析

  • 时间复杂度:O(n)。
  • 空间复杂度:O(n)

【空间优化 - 滚动数组一】

        通过上述图可以发现。

        dp[i]是只与前两个元素相关,所以我们可以将代码写为如下:

C++ 算法代码

  1. class Solution {
  2. public:
  3. int minCostClimbingStairs(vector<int>& cost) {
  4. // 处理边界情况
  5. if(cost.size() == 2) return min(cost[0], cost[1]);
  6. // 1、创建dp表
  7. vector<int> dp(2, 0);
  8. // 2、初始化
  9. dp[0] = 0, dp[1] = 0;
  10. // 3、填表
  11. int tmp = 0;
  12. for(int i = 2; i <= cost.size(); i++)
  13. {
  14. tmp = min(cost[i - 1] + dp[1], cost[i - 2] + dp[0]);
  15. dp[0] = dp[1], dp[1] = tmp;
  16. }
  17. // 4、返回
  18. return tmp;
  19. }
  20. };

复杂度分析

  • 时间复杂度:O(n)。
  • 空间复杂度:O(1)

【题目解析二】

        相对于题目解析一,此处是倒着来的,如:从 n - 1 位置出发,到达楼顶,就是cost [n-1]。从 n - 2 位置出发,到达楼顶,就是cost [n - 2]。

【算法原理二】

#:状态表示:

        这道题可以根据「经验 + 题目要求」直接定义出状态 dp[i] 表示:从 i 位置出发,到达楼顶,此时的最小花费。
#: 状态转移方程:
根据最近的⼀步,分情况讨论:
  1. 支付 cost[i] ,往后走⼀步,接下来从 i + 1 的位置出发到终点: dp[i + 1] + cost[i]
  2. 支付 cost[i] ,往后走两步,接下来从 i + 2 的位置出发到终点: dp[i + 2] + cost[i]

        我们要的是最小花费,因此 dp[i] = min(dp[i + 1], dp[i + 2]) + cost[i]

#: 初始化:
        为了保证填表的时候不越界,我们需要初始化最后两个位置的值,结合状态表示易得: dp[n - 1] = cost[n - 1], dp[n - 2] = cost[n - 2]。

#:填表顺序:

        根据「状态转移方程」可得,遍历的顺序是「从右往左」
#: 返回值:
         根据「状态表示以及题目要求」,需要返回 min(dp[0], dp[1])  位置的值。

C++ 算法代码

        使用⼀维数组:
  1. class Solution {
  2. public:
  3. int minCostClimbingStairs(vector<int>& cost) {
  4. // 处理边界情况
  5. if(cost.size() == 2) return min(cost[0], cost[1]);
  6. int n = cost.size();
  7. // 1、创建dp表
  8. vector<int> dp(n, 0);
  9. // 2、初始化
  10. dp[n - 1] = cost[n - 1], dp[n - 2] = cost[n - 2];
  11. // 3、填表
  12. for(int i = n - 3; i >= 0; i--)
  13. dp[i] = min(dp[i + 1], dp[i + 2]) + cost[i];
  14. // 4、返回
  15. return min(dp[0], dp[1]);
  16. }
  17. };

复杂度分析

  • 时间复杂度:O(n)。
  • 空间复杂度:O(n)

【空间优化 - 滚动数组二】

        通过上述图可以发现。

        dp[i]是只与后两个元素相关,所以我们可以将代码写为如下:

C++ 算法代码

  1. class Solution {
  2. public:
  3. int minCostClimbingStairs(vector<int>& cost) {
  4. // 处理边界情况
  5. if(cost.size() == 2) return min(cost[0], cost[1]);
  6. // 1、创建dp表
  7. vector<int> dp(2, 0);
  8. // 2、初始化
  9. dp[1] = cost[cost.size() - 1], dp[0] = cost[cost.size() - 2];
  10. // 3、填表
  11. int tmp = 0;
  12. for(int i = cost.size() - 3; i >= 0; i--)
  13. {
  14. tmp = min(dp[0], dp[1]) + cost[i];
  15. dp[1] = dp[0], dp[0] = tmp;
  16. }
  17. // 4、返回
  18. return min(dp[0], dp[1]);
  19. }
  20. };

复杂度分析

  • 时间复杂度:O(n)。
  • 空间复杂度:O(1)

总结

#:一般的一维线性dp

        状态表示是以 i 为结尾 / 以 i 为起点,然后研究问题  ——  然后就是要看能否,可以推出可行的状态转移方程。

(强行定义状态表示,直接推状态转移方程,就算错了也会有些许思路,答案慢慢的就出来了)

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/小舞很执着/article/detail/883003
推荐阅读
相关标签
  

闽ICP备14008679号