【42页动态规划学习笔记分享】动态规划核心原理详解及27道LeetCode相关经典题目汇总

news2024/11/27 8:39:20

    《博主简介》

小伙伴们好,我是阿旭。专注于人工智能AI、python、计算机视觉相关分享研究。
更多学习资源,可关注公-仲-hao:【阿旭算法与机器学习】,共同学习交流~
👍感谢小伙伴们点赞、关注!

《------往期经典推荐------》

一、AI应用软件开发实战专栏【链接】
二、机器学习实战专栏【链接】,已更新31期,欢迎关注,持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】

《------正文------》

这篇文章是博主在学习动态规划系列算法过程中精心总结的42页学习笔记,其中包含了动态规划的原理详解以及LeetCode中的动态规划题目汇总

免费分享给需要的下伙伴。原版文档获取方式见文末。

目录

介绍  

定义  

应用场景  

核心  

动态规划特点(三要素)  

通常的思考过程  

状态转移方程一般过程  

解题方法  

DP数组注意事项  

举例  

1.斐波拉契数列  

暴力递归:时间复杂度2^n指数级  

带备忘录的递归  

DP数组的迭代解法  

2.零钱兑换问题  

暴力解法  

带备忘录的递归  

DP数组迭代解法  

经典题目  

*最长回文子串  

*最长有效括号  

*不同的子序列  

*最长公共子序列  

*最长公共子串  

*最长上升子序列  

**编辑距离  

最长重复子数组  

完全平方数  

不同路径1  

不同路径2    

不同路径3(回溯)  

零钱兑换1  

零钱兑换2  

最大正方形    

最大矩形  

最大子序和  

三角形最小路径和  

乘积最大子数组  

打家劫舍  

最小路径和  

买卖股票问题  

买卖股票的最佳时机2    

使用最小花费爬楼梯  

解码方法  

赛车  

播放列表的数量  


介绍  

定义  

动态规划时一种运筹学方法,是在多轮决策过程中的最优方法。

应用场景  

动态规划问题的一般形式就是求最值。动态规划其实是运筹学的一种最优化方法,只不过在计算机问题上应用比较多,比如说让你求最长递增子序列呀,最小编辑距离呀等等。

核心  

求解动态规划的核心问题是穷举。因为要求最值,肯定要把所有可行的答案穷举出来,然后在其中找最值。

动态规划特点(三要素)  

1.最优子结构:原问题的最优解所包含的子问题的解也是最优的,通过子问题的最值得到原问题的最值。

2.存在重叠子问题:子问题间不独立(这是动态规划区别于分治的最大不同);如果暴力穷举的话效率会极其低下,所以需要「备忘录」或者「DP table」来优化穷举过程,避免不必要的计算

3.无后效性:即后续的结果不会影响当前结果。

通常的思考过程  

动态规划没有标准的解题方法,但在宏观上有通用的方法论:

下面的 k 表示多轮决策的第 k 轮

1.分阶段,将原问题划分成几个子问题。一个子问题就是多轮决策的一个阶段,它们可以是不满足独立性的。    

2.找状态,选择合适的状态变量 Sk。它需要具备描述多轮决策过程的演变,更像是决策可能的结果。

3.做决策,确定决策变量 uk。每一轮的决策就是每一轮可能的决策动作,例如 D2 的可能的决策动作是 D2 -> E2 和 D2 -> E3。

4.状态转移方程。这个步骤是动态规划最重要的核心,即 sk+1= uk(sk) 。

5.定目标。写出代表多轮决策目标的指标函数 Vk,n。

6.寻找终止条件。

状态转移方程一般过程  

状态转移方程:一般思考过程,明确「状态」 -> 定义 dp 数组/函数的含义 -> 明确「选择」-> 明确 base case。方程本质是数学的递推式

解题方法  

递归是一种自顶向下的求解方式,DP数组是一种自底向上的求解方式。

1.递归寻找暴力解:自顶向下求解;

2.通过备忘录memo优化递归过程,剔除重复计算,消除一下重叠子问题;

3.通过DP table 自底向上求解:主要是需要明确DP数组的含义定义,然后通过递推进行推导。

DP数组注意事项  

数组的遍历方向

# 正向遍历

int[][] dp = new int[m][n];

for (int i = 0; i < m; i++)        

    for (int j = 0; j < n; j++)

        // 计算 dp[i][j]

# 反向遍历

for (int i = m - 1; i >= 0; i--)

    for (int j = n - 1; j >= 0; j--)

        // 计算 dp[i][j]

# 斜向遍历

for (int l = 2; l <= n; l++)

    for (int i = 0; i <= n - l; i++)

        int j = l + i - 1;

        // 计算 dp[i][j]

          

DP数组的递推计算过程需要注意两点:

1、遍历的过程中,所需的状态必须是已经计算出来的。

2、遍历的终点必须是存储结果的那个位置

主要就是看 base case 和最终结果的存储位置。

如:编辑距离问题:正向遍历    

回文子序列问题:从左至右斜着遍历,或从下向上从左到右遍历,都可以

    

举例  

1.斐波拉契数列  

暴力递归:时间复杂度2^n指数级  

def fib(n):

    if n <= 2:

        return 1

    return fib(n-1) + fib(n-2)

带备忘录的递归  

def fib(n):

    def helper(n):

        if n <= 2:

            return 1

        if n in memo:

            return memo[n]

        memo[n] = fib(n-1) + fib(n-2)

        return memo[n]

    memo = {} # 记录已经计算过的值,防止重复计算

    return helper(n)

DP数组的迭代解法  

上述递归过程是自顶向下求解的,dp数组则是自底向上求解的。

def fib(n):

    dp = [0 for _ in range(n+1)]        

    dp[1] = dp[2] = 1

    for i in range(3, n + 1):

        dp[i] = dp[i-1] + dp[i-2]

    return dp[n]

根据斐波那契数列的状态转移方程,当前状态只和之前的两个状态有关,其实并不需要那么长的一个 DP table 来存储所有的状态,只要想办法存储之前的两个状态就行了。所以,可以进一步优化,把空间复杂度降为 O(1):

def fib(n):

    if n <= 2:

        return 1

    prev = 1

    curr = 1

    for i in range(3,n+1):

        prev, curr = curr, prev + curr

    return curr

2.零钱兑换问题  

题目:给你 k 种面值的硬币,面值分别为 c1, c2 ... ck,每种硬币的数量无限,再给一个总金额 amount,问你最少需要几枚硬币凑出这个金额,如果不可能凑出,算法返回 -1 。

状态转移方程:

# 伪码框架

def coinChange(coins: List[int], amount: int):        

    # 定义:要凑出金额 n,至少要 dp(n) 个硬币

    def dp(n):

        # 做选择,选择需要硬币最少的那个结果

        for coin in coins:

            res = min(res, 1 + dp(n - coin))

        return res

    # 我们要求的问题是 dp(amount)

    return dp(amount)

实际代码:

暴力解法  

def coinChange(coins, amount):

    def dp(n):

        # 函数定义为目标金额为n时,所需的最少硬币数量

        # base case

        # 目标金额为 0 时,所需硬币数量为 0;当目标金额小于 0 时,无解,返回 -1

        if n == 0: return 0

        if n < 0: return -1

        # 求最小值,所以初始化结果为正无穷

        res = float('inf')

        for coin in coins:

            subpro = dp(n-coin)

            if subpro == -1:

                # 子问题无解,跳过

                continue

            res = min(res, 1 + subpro)

        return res if res != float('inf') else -1

    return dp(amount)

带备忘录的递归  

def coinChange(coins, amount):        

    def dp(n):

        # 函数定义为目标金额为n时,所需的最少硬币数量

        # base case

        # 目标金额为 0 时,所需硬币数量为 0;当目标金额小于 0 时,无解,返回 -1

        if n == 0: return 0

        if n < 0: return -1

        if n in memo:

            return memo[n]

        # 求最小值,所以初始化结果为正无穷

        res = float('inf')

        for coin in coins:

            subpro = dp(n-coin)

            if subpro == -1:

                # 子问题无解,跳过

                continue

            res = min(res, 1 + subpro)

        memo[n] = res if res != float('inf') else -1

        return memo[n]

    memo = {}

    return dp(amount)

DP数组迭代解法  

dp[i] = x 表示,当目标金额为 i 时,至少需要 x 枚硬币。

def coinChange(coins, amount):

# 数组大小为 amount + 1,初始值也为 amount + 1

# 因为总的零钱个数不会超过amount,所以初始化amount + 1即可

    dp = [amount + 1 for _ in (amount + 1)]

    dp[0] = 0

    for i in range(len(dp)):

        #  内层 for循环,求解的是所有子问题 + 1 的最小值

        for coin in coins:

            # 子问题无解,跳过

            if i - coin < 0:

                continue

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

    if dp[amount] == amount + 1:

        return  -1

    else:

        return dp[amount]

注:dp 数组初始化为 amount + 1 呢,因为凑成 amount 金额的硬币数最多只可能等于 amount(全用 1 元面值的硬币),所以初始化为 amount + 1 就相当于初始化为正无穷,便于后续取最小值。

这个题目相当于是组合问题,每个硬币可以用多次,一共有多少种组合。

说明:前k个硬币凑齐金额i的组合数等于前k-1个硬币凑齐金额i的组合数加上在原来i-k的基础上使用硬币的组合数。说的更加直白一点,那就是用前k的硬币凑齐金额i,要分为两种情况开率,一种是没有用前k-1个硬币就凑齐了,一种是前面已经凑到了i-k,现在就差第k个硬币了。

DP[i] = DP[i] + DP[i-k]:

式子右边的DP[i]表示不使用第K个金币的和为i的组合, DP[i-k]表示使用金币k的和为i的组合数。

          

第 39 题问的是所有的组合列表,需要知道每一个组合是什么?,应该使用 回溯算法 求解,并且存储每一个组合;

第 518 题问的是组合有多少种,而不是问具体的解。应该使用 动态规划 求解

class Solution:

    def change(self, amount: int, coins: List[int]) -> int:        

        # 子问题:对于硬币从0到k,我们必须使用第k个硬币的时候,当前金额的组合数

        # 状态数组DP[i]表示对于第k个硬币能凑的组合数

        # 转移方程DP[i] = DP[i] + DP[i-k]

        dp = [0] * (amount + 1)

        dp[0] = 1

        for coin in coins:

            for x in range(1, amount + 1):

                 if x < coin: continue   # coin不能大于amount

                dp[x] += dp[x - coin]

        return dp[amount]

这个题实际上是排列问题,因为顺序不同的话视为不同的组合。

class Solution:

    def combinationSum4(self, nums: List[int], target: int) -> int:

        dp = [0] * (target + 1)        

        dp[0] = 1

        for x in range(1, target + 1):

            for num in nums:

                if x < num:continue

                dp[x] += dp[x - num]

        return dp[target]

          

参考:

https://leetcode-cn.com/problems/coin-change-2/solution/ling-qian-dui-huan-iihe-pa-lou-ti-wen-ti-dao-di-yo/

https://leetcode-cn.com/problems/coin-change-2/solution/ling-qian-dui-huan-ii-by-leetcode/

总结:

518零钱兑换2是一个组合问题,DP先遍历零钱列表,再遍历amount金额数;

def change(coins,amount):

    # 求的是组合数

    dp = [0 for _ in range(amount+1)]

    dp[0] = 1

    for coin in coins:  # 枚举硬币

        for i in range(amount + 1):  # 枚举金额

            if i < coin: continue #coin不能大于amount

            dp[i] = dp[i] + dp[i - coin]

    return dp[amount]

          

377组合个数是一个排列问题, DP先遍历amount金额数,再遍历零钱列表。

def change(coins,amount):

    # 求的是排列数

    dp = [0 for _ in range(amount+1)]

    dp[0] = 1        

    for i in range(amount + 1):  # 枚举金额

        for coin in coins:  #枚举硬币

            if i < coin: continue #coin不能大于amount

            dp[i] = dp[i] + dp[i - coin]

    return dp[amount]

举例:

在LeetCode上有两道题目非常类似,分别是

70.爬楼梯  --排列问题

518. 零钱兑换 II  -- 组合问题

如果我们把每次可走步数/零钱面额限制为[1,2], 把楼梯高度/总金额限制为3. 那么这两道题目就可以抽象成"给定[1,2], 求组合成3的组合数和排列数"。

爬台阶问题通用模板

def climbStairs(n):

    # 爬台阶问题通用模板

    dp = [0 for _ in range(n + 1)]

    dp[0] = 1

    steps = [1,2,4,5]

    for i in range(n+1):

        for j in range(len(steps)):

            if i < steps[j]: continue # 台阶少于跨越的步数

            dp[i] = dp[i] + dp[i-steps[j]]

    return dp[n]

              

经典题目  

*最长回文子串  

          

# 动态规划

# 用 P(i,j)P(i,j) 表示字符串 s的第 i 到 j 个字母组成的串(下文表示成 s[i:j])是否为回文串

class Solution:

    def longestPalindrome(self, s: str) -> str:

        n = len(s)

        dp = [[False] * n for _ in range(n)]

        ans = ""

        # 枚举子串的长度 l+1

        for l in range(n):

            # 枚举子串的起始位置 i,这样可以通过 j=i+l 得到子串的结束位置

            for i in range(n-l):

                j = i + l

                if l == 0:

                    dp[i][j] = True        

                elif l == 1:

                    dp[i][j] = (s[i] == s[j])

                else:

                    dp[i][j] = (dp[i + 1][j - 1] and s[i] == s[j])

                if dp[i][j] and l + 1 > len(ans):

                    ans = s[i:j+1]

        return ans

                  

                  

# 中心扩展法

class Solution:

    def expandAroundCenter(self, s, left, right):

        while left >= 0 and right < len(s) and s[left] == s[right]:

            left -= 1

            right += 1

        return left + 1, right - 1

                  

    def longestPalindrome(self, s: str) -> str:

        # 中心扩展法,每个字符从中心往两边扩展,分奇偶

        start, end = 0, 0

        for i in range(len(s)):

            left1, right1 = self.expandAroundCenter(s, i, i) # 以当前字符为中心

            left2, right2 = self.expandAroundCenter(s, i, i + 1) # 以当前字符与后面一个字符为中心

            if right1 - left1 > end - start:

                start, end = left1, right1

            if right2 - left2 > end - start:

                start, end = left2, right2

        return s[start: end + 1]

              

*最长有效括号  

法一:动态规划

class Solution:

    def longestValidParentheses(self, s: str) -> int:

        # 动态规划

        # dp[i] 表示以i结尾的最长有效括号长度,‘(’对应的一定是0

        n = len(s)

        if n == 0:

            return 0

        dp = [0] * n

        for i in range(1,n):

            # i- dp[i-1] -1是与当前')'对称的位置

            # dp[i-dp[i-1]-2] 表示与当前')'对称的位置前面的有效括号长度,需加上

            if s[i]==')' and i - dp[i-1] - 1>=0 and s[i - dp[i-1] - 1] == '(':

                dp[i] = dp[i-1] + dp[i-dp[i-1]-2] + 2

        return max(dp)

          

法二:栈

class Solution:

    def longestValidParentheses(self, s: str) -> int:

        # 栈来实现

        stack = [-1]

        length = 0

        max_length = 0        

        for i in range(len(s)):

            if s[i] == '(':

                stack.append(i)

            else:

                stack.pop()

                if not stack:

                # 栈为空,则添加当前右括号的索引入栈,为分割标识

                    stack.append(i)

                else:

                    length = i - stack[-1]

                    max_length = max(max_length, length)

        return max_length

          

*不同的子序列  

              

class Solution:

    def numDistinct(self, s: str, t: str) -> int:

        # S中T出现的个数

        # dp[i][j]表示t的前i个字符串可以由s的前j个字符串组成多少个

        n = len(s) # 列

        m = len(t) # 行

        dp = [[0] * (n+1) for _ in range(m+1)]

        for j in range(n+1):

            dp[0][j] = 1

        for i in range(1,m + 1):

            for j in range(1, n + 1):

                if t[i-1] == s[j-1]:

# 对应于两种情况,s选择当前字母和不选择当前字母

# s选择当前字母dp[i-1][j-1]

# s不选择当前字母 dp[i][j-1]

                    dp[i][j] = dp[i-1][j-1] + dp[i][j-1]

                else:

                    dp[i][j] = dp[i][j-1]

        return dp[-1][-1]

              

          

*最长公共子序列  

参考:https://leetcode-cn.com/problems/longest-common-subsequence/solution/dong-tai-gui-hua-zhi-zui-chang-gong-gong-zi-xu-lie/    

# 动态规划

class Solution:

    def longestCommonSubsequence(self, text1: str, text2: str) -> int:

        m = len(text1)

        n = len(text2)

        dp = [[0] * (n + 1) for _ in range(m + 1)]

        for i in range(1, m+1):

            for j in range(1, n+1):

                if text1[i-1] == text2[j-1]:

                    dp[i][j] = dp[i-1][j-1] + 1

                else:

                    dp[i][j] = max(dp[i][j-1],dp[i-1][j])

        return dp[-1][-1]

                  

# 递归

class Solution:

    def longestCommonSubsequence(self, text1: str, text2: str) -> int:

        # 递归

        memo = {} #备忘录

        def dp(i, j):

            if i == -1 or j == -1:

                return 0

            if (i,j) in memo:

                return memo[(i,j)]

            if text1[i] == text2[j]:

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

            else:

                memo[(i,j)] = max(dp(i-1, j), dp(i,j-1))

            return memo[(i,j)]

        return dp(len(text1)-1,len(text2)-1)

          

*最长公共子串  

注意:与子序列不相同的是子串是连续的,子序列可以是不连续的。    

def LCS(s1,s2):

    #dp[i][j]表示以s1的i及s2的j结尾的最长公共子串长度

    #如果s1[i-1] != s2[j-1] 则,dp[i][j] = 0

    m = len(s1)

    n = len(s2)

    dp = [[0] *(n+1) for _ in range(m + 1)]

    maxLen = 0

    end = 0

    for i in range(1,m+1):

        for j in range(1,n+1):

            if s1[i-1] == s2[j-1]:

                dp[i][j] = dp[i-1][j-1] + 1

            else:

                dp[i][j] = 0

            if dp[i][j] > maxLen:

                maxLen = dp[i][j]

                end = j-1

    if maxLen == 0:

        return ''

    else:

        return s2[end - maxLen + 1:end + 1]

              

          

*最长上升子序列  

class Solution:

    def lengthOfLIS(self, nums: List[int]) -> int:

        if not nums:

            return 0

        # dp[i]表示以第i个元素结尾的最长递增子序列长度

        n = len(nums)

        dp = [1 for _ in range(n)]

        for i in range(n):

            for j in range(i):

                if nums[i] > nums[j]:

                    dp[i] = max(dp[i],dp[j] + 1)

        return max(dp)

              

**编辑距离  

class Solution:

    def minDistance(self, word1: str, word2: str) -> int:

        # DP递推方程        

        # 存储 s1[0..i] 和 s2[0..j] 的最小编辑距离

        m = len(word1)

        n = len(word2)

        dp = [[0]*(n+1) for i in range(m+1)]

        for i in range(m+1):

            dp[i][0] = i

        for j in range(n+1):

            dp[0][j] = j

        for i in range(1, m+1):

            for j in range(1,n+1):

                if word1[i-1] == word2[j-1]:

                    dp[i][j] = dp[i-1][j-1]

                else:

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

                    dp[i][j-1]+1,

                    dp[i-1][j-1]+1)

        return dp[m][n]

# 递归写法

class Solution:

    def minDistance(self, word1: str, word2: str) -> int:

                  

        def dp(i,j):

            if i == -1:

                return j + 1

            if j == -1:

                return i + 1

            if (i,j) in memo:

                return memo[(i,j)]

            if word1[i] == word2[j]:

                memo[(i,j)] = dp(i-1,j-1)

            else:

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

                dp(i,j-1) + 1,

                dp(i-1,j-1) + 1)

            return memo[(i,j)]

        memo = {}

        res = dp(len(word1)-1,len(word2)-1)

        return res

              

最长重复子数组  

class Solution:

    def findLength(self, A: List[int], B: List[int]) -> int:

        # p[i][j] 表示 A[i:] 和 B[j:] 的最长公共前缀,那么答案即为所有 dp[i][j] 中的最大值。

        # 如果 A[i] == B[j],那么 dp[i][j] = dp[i + 1][j + 1] + 1,否则 dp[i][j] = 0。

        # 考虑到这里 dp[i][j] 的值从 dp[i + 1][j + 1] 转移得到,所以我们需要倒过来,首先计算 dp[len(A) - 1][len(B) - 1],最后计算 dp[0][0]

        n, m = len(A), len(B)

        dp = [[0] * (m + 1) for _ in range(n + 1)]

        ans = 0

        for i in range(n - 1, -1, -1):

            for j in range(m - 1, -1, -1):        

                dp[i][j] = dp[i + 1][j + 1] + 1 if A[i] == B[j] else 0

                ans = max(ans, dp[i][j])

        return ans

          

完全平方数  

class Solution:

    def numSquares(self, n: int) -> int:

        dp = [0] * (n + 1)

        for i in range(1, n + 1):

            dp[i] = i  #最坏的情况就是全是1

            j = 1

            while i - j*j >= 0:

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

                j += 1

        return dp[n]

              

不同路径1  

class Solution:

    def uniquePaths(self, m: int, n: int) -> int:

        dp = [[0 for i in range(n)] for _ in range(m)]

        for i in range(m):

            dp[i][0] = 1

        for j in range(n):

            dp[0][j] = 1

        for i in range(1,m):

            for j in range(1,n):

                dp[i][j] = dp[i-1][j] + dp[i][j-1]

        return dp[-1][-1]

不同路径2    

class Solution:

    def uniquePathsWithObstacles(self, obstacleGrid: List[List[int]]) -> int:

        m = len(obstacleGrid)

        n = len(obstacleGrid[0])

        zero_loc = {(i,j) for i in range(m) for j in range(n) if obstacleGrid[i][j] == 1}

        dp = [[0] * n for i in range(m)]

        for i in range(m):

            # 初始化第一列,只要碰到一个1,那么后边都无法走到

            if obstacleGrid[i][0] == 1:

                break

            dp[i][0] = 1

        for j in range(n):

            #初始化第一行,只要碰到一个1,那么后边都无法走到

            if obstacleGrid[0][j] == 1:

                break

            dp[0][j] = 1

        for i in range(1,m):

            for j in range(1,n):

                if (i,j) in zero_loc:        

                    dp[i][j] = 0

                else:

                    dp[i][j] = dp[i-1][j] + dp[i][j-1]

        return dp[-1][-1]

                  

class Solution:

    def uniquePathsWithObstacles(self, obstacleGrid: List[List[int]]) -> int:

        m = len(obstacleGrid)

        n =len(obstacleGrid[0])

        if obstacleGrid[0][0] == 1 or obstacleGrid[-1][-1] == 1:

            return 0

        dp = [[0] * n for _ in range(m)]

        for i in range(m):

            if obstacleGrid[i][0] == 0:

                dp[i][0] = 1

            else:

                break

        for j in range(n):

            if obstacleGrid[0][j] == 0:

                dp[0][j] = 1

            else:

                break

        for i in range(1,m):

            for j in range(1,n):        

                if obstacleGrid[i][j] == 1:

                    dp[i][j] = 0

                    continue

                dp[i][j] = dp[i-1][j] + dp[i][j-1]

        return dp[-1][-1]

          

不同路径3(回溯)  

class Solution:

    def uniquePathsIII(self, grid: List[List[int]]) -> int:

        # 注意每一个无障碍的格子都需要通过一次

        start_x = 0        

        start_y = 0

        steps = 1

        m = len(grid)

        n = len(grid[0])

        # 遍历获取起始位置和统计总步数

        for i in range(m):

            for j in range(n):

                if grid[i][j] == 1:

                    start_x = i

                    start_y = j

                    continue

                if grid[i][j] == 0:

                    steps += 1

        def DFS(x,y,cur_step, grid):

            # 排除越界的情况和遇到障碍的情况

            if x < 0 or x >= m or y < 0 or y >= n or grid[x][y] == -1:

                return 0

            if grid[x][y] == 2:

                # 走到2的位置,且步数为0,表示经过了所有的无障碍格子,是一种方案

                return 1 if cur_step == 0 else 0

            grid[x][y] = -1 # 将已经走过的标记为障碍

            res = DFS(x - 1, y, cur_step - 1, grid) + DFS(x + 1, y, cur_step - 1, grid) \

                   + DFS(x, y - 1, cur_step - 1, grid) \

                   + DFS(x, y + 1, cur_step - 1, grid)

            # 回溯

            grid[x][y] = 0

            return res

        return DFS(start_x,start_y,steps,grid)

              

零钱兑换1  

class Solution:

    def coinChange(self, coins: List[int], amount: int) -> int:

        #dp[i] = x 表示金额i最少需要x个金币

        dp = [amount + 1 for i in range(amount + 1)]

        dp[0] = 0

        for i in range(amount+1):

            for coin in coins:

                if i - coin < 0:

                    continue

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

        if dp[amount] == amount + 1:

            return -1

        else:

            return dp[amount]

              

零钱兑换2  

class Solution:

    def change(self, amount: int, coins: List[int]) -> int:

        # 子问题:对于硬币从0到k,我们必须使用第k个硬币的时候,当前金额的组合数

        # 状态数组DP[i]表示对于第k个硬币能凑的组合数

        # 转移方程DP[i] = DP[i] + DP[i-k]

        dp = [0] * (amount + 1)

        dp[0] = 1

        for coin in coins:

            for x in range(coin, amount + 1):

                dp[x] += dp[x - coin]

        return dp[amount]

最大正方形    

class Solution:

    def maximalSquare(self, matrix: List[List[str]]) -> int:

        # 用 dp(i, j) 表示以 (i, j)为右下角,且只包含 1的正方形的边长最大值

        if len(matrix) == 0 or len(matrix[0]) == 0:

            return 0

        maxSide = 0

        rows, columns = len(matrix), len(matrix[0])

        dp = [[0] * columns for _ in range(rows)]

        for i in range(rows):

            for j in range(columns):

                if matrix[i][j] == '1':

                    if i == 0 or j == 0:

                        dp[i][j] = 1

                    else:

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

                    maxSide = max(maxSide, dp[i][j])

        maxSquare = maxSide * maxSide

        return maxSquare

              

最大矩形  

class Solution:

    def maximalRectangle(self, matrix: List[List[str]]) -> int:

        #时间复杂度 : O(NM)。每次对于N的迭代我们会对M迭代常数次

        if not matrix: return 0

        m = len(matrix)

        n = len(matrix[0])

                  

        left = [0] * n # initialize left as the leftmost boundary possible

        right = [n] * n # initialize right as the rightmost boundary possible

        height = [0] * n

        maxarea = 0

        for i in range(m):

            cur_left, cur_right = 0, n

            # update height

            for j in range(n):

                if matrix[i][j] == '1': height[j] += 1

                else: height[j] = 0

            # update left        

            for j in range(n):

                if matrix[i][j] == '1': left[j] = max(left[j], cur_left)

                else:

                    left[j] = 0

                    cur_left = j + 1

            # update right

            for j in range(n-1, -1, -1):

                if matrix[i][j] == '1': right[j] = min(right[j], cur_right)

                else:

                    right[j] = n

                    cur_right = j

            # update the area

            for j in range(n):

                maxarea = max(maxarea, height[j] * (right[j] - left[j]))

                  

        return maxarea

          

          

最大子序和  

class Solution:

    def maxSubArray(self, nums: List[int]) -> int:

        # dp[i] 表示以小标i为结尾的最大连续子序列的和dp[j] = max(nums[j],dp[j-1] + nums[j])

        if len(nums) == 0:

            return 0

        if len(nums) == 1:

            return nums[0]

        n = len(nums)        

        dp = [float('-inf')] * n

        dp[0] = nums[0]

        for j in range(1,n):

            dp[j] = max(nums[j],dp[j-1] + nums[j])

        return max(dp)

三角形最小路径和  

#法一

class Solution:

    def minimumTotal(self, triangle: List[List[int]]) -> int:

        n = len(triangle)

        f = [[0] * n for _ in range(n)]

        f[0][0] = triangle[0][0]

                  

        for i in range(1, n):        

            f[i][0] = f[i - 1][0] + triangle[i][0]

            for j in range(1, i):

                f[i][j] = min(f[i - 1][j - 1], f[i - 1][j]) + triangle[i][j]

            f[i][i] = f[i - 1][i - 1] + triangle[i][i]     

        return min(f[n - 1])

                  

#法二

class Solution:

    def minimumTotal(self, triangle: List[List[int]]) -> int:

        n = len(triangle)

        f = [0] * n

        f[0] = triangle[0][0]

                  

        for i in range(1, n):

            f[i] = f[i - 1] + triangle[i][i]

            for j in range(i - 1, 0, -1):

                f[j] = min(f[j - 1], f[j]) + triangle[i][j]

            f[0] += triangle[i][0]

        return min(f)

          

              

乘积最大子数组  

class Solution:

    def maxProduct(self, nums: List[int]) -> int:

        n = len(nums)

        if n == 0:

            return 0

        dpMax = [float('-inf')] * n  # 存储以i结尾的最大连续子数组乘积

        dpMax[0] = nums[0]

        dpMin = [float('inf')] * n # 存储以i结尾的最小连续子数组乘积,存在负负得正的情况

        dpMin[0] = nums[0]

        for i in range(1,n):

            dpMax[i] = max(dpMin[i - 1] * nums[i], dpMax[i - 1] * nums[i], nums[i])

            dpMin[i] = min(dpMin[i - 1] * nums[i], dpMax[i - 1] * nums[i], nums[i])

        return max(dpMax)

              

打家劫舍  

class Solution:

    def rob(self, nums: List[int]) -> int:

        #dp[i] 表示前 i间房屋能偷窃到的最高总金额

        #dp[i] = max(dp[i-1],dp[i-2]+nums[i]) 

        n = len(nums)

        if n==0:

            return 0

        if n==1:

            return nums[0]

        dp = [0]* n

        dp[0] = nums[0]

        dp[1] = max(nums[0],nums[1])

        for i in range(2,n):

            dp[i] = max(dp[i-1],dp[i-2]+nums[i])

        return dp[n-1]

              

最小路径和  

class Solution:

def minPathSum(self, grid: List[List[int]]) -> int:

    # dp[i][j]表示达到i,j点的最小路径和

        m = len(grid)

        n = len(grid[0])

        dp = [[0]*n for _ in range(m)]

        dp[0][0] = grid[0][0]

        for i in range(1, m):

            dp[i][0] = dp[i-1][0] + grid[i][0]

        for i in range(1, n):

            dp[0][i] = dp[0][i-1] + grid[0][i]

        for i in range(1, m):

            for j in range(1, n):

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

        return dp[-1][-1]

              

买卖股票问题  

# 动态规划

 class Solution:

    def maxProfit(self, prices: List[int]) -> int:

        # 动态规划dp[i] 表示前 i 天的最大利润

        n = len(prices)

        if n == 0: return 0 # 边界条件

        dp = [0] * n

        minprice = prices[0]

        for i in range(1, n):

            minprice = min(minprice, prices[i])

            dp[i] = max(dp[i - 1], prices[i] - minprice)

        return dp[-1]

                  

# 方法二

def maxProfit(self, prices: List[int]) -> int:

    minprice = float('inf') # 正无穷  负无穷 float("-inf")

    maxprofit = 0

    for p in prices:

        minprice = min(minprice, p)

        maxprofit = max(maxprofit, p-minprice)

    return maxprofit

买卖股票的最佳时机2    

          

def maxProfit(self, prices: List[int]) -> int:

    #在第二次买的时候,价格其实是考虑用了第一次赚的钱去补贴一部分的

    buy_1 = buy_2 = float('inf') # 第一二次买之前的最低价

    pro_1 = pro_2 = 0

   

    for p in prices:

        buy_1 = min(buy_1, p)

        pro_1 = max(pro_1, p - buy_1)

        buy_2 = min(buy_2, p - pro_1) # p - pro_1 是用第一次的钱抵消了一部分第二次买的钱

        pro_2 = max(pro_2, p - buy_2)

    return pro_2

                  

              

使用最小花费爬楼梯  

class Solution:

    def minCostClimbingStairs(self, cost: List[int]) -> int:

        # 踏上第i级台阶的最小花费,用dp[i]表示

        # 初始条件:

        # 最后一步踏上第0级台阶,最小花费dp[0] = cost[0]。

        # 最后一步踏上第1级台阶有两个选择:

        # 可以分别踏上第0级与第1级台阶,花费cost[0] + cost[1];

        # 也可以从地面开始迈两步直接踏上第1级台阶,花费cost[1]。

        n = len(cost)

        dp = [0] * n

        dp[0], dp[1] = cost[0], cost[1]

        for i in range(2, n):

            dp[i] = min(dp[i - 2], dp[i - 1]) + cost[i]

        return min(dp[-2], dp[-1])

              

解码方法  

class Solution:

    def numDecodings(self, s: str) -> int:

        if s[0] == '0':

            return 0

        n = len(s)

        dp = [0] * (n + 1)

        dp[0] = 1

        dp[-1] = 1

        for i in range(1,n):

            # '0'只有10和20才有对应字母,不然 返回 0        

            if s[i] == '0':

                if s[i-1]=='1' or s[i-1]=='2':

                    dp[i] = dp[i-2]

                else:

                    return 0

            else:

                if s[i-1] == '1' or (s[i-1] =='2' and s[i] < '7'):

                    # i-1与i 可以结合或者分开

                    dp[i] = dp[i-1] + dp[i-2]

                else:

                    # i-1与i 必须分开

                    dp[i] = dp[i-1]

        return dp[-2]

              

赛车  

    

    

# 动态规划 DP

class Solution(object):

    def racecar(self, target):

        # dp[x] 表示到达位置 x 的最短指令长度

        dp = [0, 1] + [float('inf')] * target

        for t in range(2, target + 1):

            k = t.bit_length()

            if t == 2**k - 1:

                dp[t] = k

                continue

            for j in range(k - 1):

                # t - (2**(k-1)-2**j) 为剩余距离,dp[t - 2**(k - 1) + 2**j]表示这个剩余距离需要使用的最少命令数,加上已经使用的 k - 1 + j + 2

                # 由于返回使用的j不确定,因此需要通过遍历【0,k-2】确定dp[t]的最小值        

                dp[t] = min(dp[t], dp[t - 2**(k - 1) + 2**j] + k - 1 + j + 2)

            # 2**k - 1 - t 表示剩余需要按返回的距离,dp[2**k - 1 - t]表示走剩余距离需要要使用的最少命令数,加上已经使用的k+1

            dp[t] = min(dp[t], dp[2**k - 1 - t] + k + 1)

        return dp[target]

                  

# 递归写法

class Solution:

    dp = {0: 0}

    def racecar(self, target: int) -> int:

        t = target

        if t in self.dp:

            return self.dp[t]

        n = t.bit_length()

        if 2**n - 1 == t:

            self.dp[t] = n

        else:

            self.dp[t] = self.racecar(2**n - 1 - t) + n + 1

            for m in range(n - 1):

                self.dp[t] = min(self.dp[t], self.racecar(t - 2**(n - 1) + 2**m) + n + m + 1)

        return self.dp[t]

          

              

播放列表的数量  

class Solution:

    def numMusicPlaylists(self, N: int, L: int, K: int) -> int:

        mod = 10 ** 9 + 7

        # dp[i][j] 表示用j首不同的歌填充长度为i的歌单数目

        dp = [[0] * (N + 1) for _ in range(L + 1)]

        dp[0][0] = 1

        for i in range(1, L + 1):

            for j in range(1, N + 1):

                # 分成两种情况,我们可以播放没有播放过的歌也可以是播放过的

                # 如果当前的歌和前面的都不一样,歌单前i-1首歌只包括了j-1首不同的歌曲,

                # 那么当前的选择有dp[i-1][j-1] * (N-j+1)

                # 如果不是,那么就是选择之前的一首歌,之前最近的K首是不能选的,只能选择j-K前面的歌曲,(j 首歌,最近的 K 首不可以播放)

                # 所以选择就是dp[i-1][j] * max(0, j-K)        

                dp[i][j] = (dp[i-1][j-1] * (N - j + 1) + dp[i-1][j] * max(0, j - K)) % mod

        return dp[-1][-1]

   

关于本篇文章大家有任何建议或意见,欢迎在评论区留言交流!

觉得不错的小伙伴,感谢点赞、关注加收藏哦!

欢迎关注下方GZH:阿旭算法与机器学习,发送:【动态规划】,即可获取原版文档。欢迎小伙伴共同学习交流~

          

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.coloradmin.cn/o/1354241.html

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,一经查实,立即删除!

相关文章

【Spring】19 AOP介绍及实例详解

文章目录 1. 定义1&#xff09;什么意思呢&#xff1f;2&#xff09;如何解决呢&#xff1f; 2. 基本概念1&#xff09;切面&#xff08;Aspect&#xff09;2&#xff09;切点&#xff08;Pointcut&#xff09;3&#xff09;通知&#xff08;Advice&#xff09;4&#xff09;连…

【python入门】day17:模块化编程、math库常见函数

什么叫模块 模块的导入 导入所有&#xff1a;import 模块名称 导入指定&#xff1a;from 模块名称 import 函数/变量/类 python的math库 什么是math库 Python的math库是Python的内建库之一&#xff0c;它提供了许多数学函数&#xff0c;包括三角函数、对数函数、幂函数等&a…

迅为RK3588开发板使用 FFMpeg 进行推流

Debian/Ubuntu 系统使用以下命令安装 FFMpeg &#xff0c;如下图所示&#xff1a; apt-get install ffmpeg 使用 ifconfig 查看开发板 ip 为 192.168.1.245 如下图所示&#xff1a; 使用 FFMpeg 推流一个 mp4 视频进行测试&#xff0c;作者将测试视频 test.mp4 放在了根目录下…

linuxnodejs 20.* 安装问题,version `GLIBCXX_3.4.26‘

背景 今天服务器被重置拉&#xff0c;nodejs 环境不存在&#xff0c;特意安装下nodejs&#xff0c;一访问官网&#xff0c;妈呀&#xff0c;居然到20版本拉&#xff01;就尝试安装下最新版本&#xff01; 过程 $ cd /opt $ curl -OL https://nodejs.org/dist/v20.10.0/node-v2…

c++语言基础18-开房门

题目描述 假设你手里有一串钥匙&#xff0c;这串钥匙上每把钥匙都有一个编号&#xff0c;对应着一个房门的编号。现给你一个房门编号&#xff0c;你需要判断是否能够打开该房门。 输入描述 测试数据共有多组。 第一行为一个整数 s&#xff0c;表示共有多少组测试数据。 每组第一…

Spring高手之路-Spring中Bean的五大作用域

目录 Singleton&#xff08;单例&#xff09;&#xff1a;默认的作用域 Prototype&#xff08;原型&#xff09; Request&#xff08;请求&#xff09; Session&#xff08;会话&#xff09; Global Session&#xff08;全局会话&#xff09; 五大作用域范围对比 作用域…

[C#]基于deskew算法实现图像文本倾斜校正

【算法介绍】 让我们开始讨论Deskeweing算法的一般概念。我们的主要目标是将旋转的图像分成文本块&#xff0c;并确定它们的角度。为了让您详细了解我将使用的方法&#xff1a; 照常-将图像转换为灰度。应用轻微的模糊以减少图像中的噪点。现在&#xff0c;我们的目标是找到带…

【GoLang入门教程】Go语言几种标准库介绍(四)

编程语言的未来&#xff1f; 文章目录 编程语言的未来&#xff1f;前言几种库fmt库 (格式化操作)关键函数&#xff1a;示例 Go库标准库第三方库示例 html库(HTML 转义及模板系统)主要功能&#xff1a;示例 总结专栏集锦写在最后 前言 上一篇&#xff0c;我们介绍了debug、enco…

C/C++动态内存分配 malloc、new、vector(简单讲述)

路虽远&#xff0c;行则将至 事虽难&#xff0c;做则必成 今天来主要讲C中动态内存分配 其中会穿插一些C的内容以及两者的比较 如果对C语言中的动态内存分配还不够理解的同学 可以看看我之前的博客:C语言动态分配 在讲解C的动态内存分配之前 我们先讲一下C内存模型 &#xff1…

国家信息安全水平等级考试NISP二级题目卷③(包含答案)

国家信息安全水平等级考试NISP二级题目卷&#xff08;三&#xff09; 国家信息安全水平等级考试NISP二级题目卷&#xff08;三&#xff09;需要报考咨询可以私信博主&#xff01; 前言&#xff1a; 国家信息安全水平考试(NISP)二级&#xff0c;被称为校园版”CISP”,由中国信息…

全解析阿里云Alibaba Cloud Linux镜像操作系统

Alibaba Cloud Linux是基于龙蜥社区OpenAnolis龙蜥操作系统Anolis OS的阿里云发行版&#xff0c;针对阿里云服务器ECS做了大量深度优化&#xff0c;Alibaba Cloud Linux由阿里云官方免费提供长期支持和维护LTS&#xff0c;Alibaba Cloud Linux完全兼容CentOS/RHEL生态和操作方式…

78 Python开发-多线程FuzzWaf异或免杀爆破

这里写目录标题 本课知识点:学习目的:演示案例:Python开发-简单多线程技术实现脚本Python开发-利用FTP模块实现协议爆破脚本Python开发-配合Fuzz实现免杀异或Shell脚本 涉及资源: 本课知识点: 协议模块使用&#xff0c;Request爬虫技术&#xff0c;简易多线程技术&#xff0c;…

Postman 安装及使用

文章目录 1. 安装 Postman1&#xff09;下载2&#xff09;安装3&#xff09;注册用户4&#xff09;登陆完成 2. 创建和发送请求1&#xff09;发送一个 GET 请求2&#xff09;发送一个 POST 请求 3. 查看响应4. 使用环境变量和变量5. 高级功能和测试6. 导出和分享请求总结 Postm…

IDS 和 IPS:了解异同

IDS 和 IPS 是至关重要的网络安全技术&#xff0c;经常被混淆或互换使用。那么&#xff0c;IDS 和 IPS 之间有什么区别&#xff0c;哪一种是最适合您组织需求的选择呢&#xff1f; 什么是IDS&#xff08;入侵检测系统&#xff09;&#xff1f; 入侵检测系统 (IDS) 是一种网络…

git在本地创建dev分支并和远程的dev分支关联起来

文章目录 git在本地创建dev分支并和远程的dev分支关联起来1. 使用git命令2. 使用idea2.1 先删除上面建的本地分支dev2.2 通过idea建dev分支并和远程dev分支关联 3. 查看本地分支和远程分支的关系 git在本地创建dev分支并和远程的dev分支关联起来 1. 使用git命令 git checkout…

华芯微特|MCU之TIMER输入捕获

引言 华芯微特公司SWM系列单片机提供的TIMER个数和功能有些微差别&#xff0c;为了让您更加简单的使用这一功能&#xff0c;下面小编将以SWM190为例&#xff0c;我们今天详细讲解一下TIMER的输入捕获功能。 TIMER输入捕获 一、TIMER定时器之输入捕获功能 我们今天详细讲解一下…

一篇文章学会Linux

一篇文章学会Linux 声明&#xff1a;以下内容均为我个人的理解&#xff0c;如果发现错误或者疑问可以联系我共同探讨 简介 Linux Linux是一种自由和开放源码的类UNIX操作系统。该操作系统的内核由林纳斯托瓦兹在1991年10月5日首次发布&#xff0c;在加上用户空间的应用程序…

【JUC】Volatile关键字+CPU/JVM底层原理

Volatile关键字 volatile内存语义 1.当写一个volatile变量时&#xff0c;JMM会把该线程对应的本地内存中的共享变量值立即刷新回主内存中。 2.当读一个volatile变量时&#xff0c;JMM会把该线程对应的本地内存设置为无效&#xff0c;直接从主内存中读取共享变量 所以volatile…

运输层

title: 运输层 date: 2023-12-24 14:17:55 tags: 知识总结 categories: 计算机网络 运输层和网络层的联系和区别 物理层、数据链路层以及网络层它们共同解决了将主机通过异构网络互联起来所面临的问题&#xff0c;实现了主机到主机的通信&#xff0c;但实际上&#xff0c;在计…

视频监控可视化云平台EasyCVR智能视频技术优势分析

TSINGSEE青犀视频安防视频管理系统EasyCVR视频智能融合共享平台&#xff0c;是一个支持Windows/Linux(CentOS ubuntu)/国产化系统的视频管理平台。平台可以支持多协议接入&#xff0c;通过视频应用引擎将多种格式的视频数据转换为统一的视频流数据&#xff0c;支持无插件H5直播…