“动态规划”这词太吓人,其实可以叫“状态缓存”
摘要:平时练习算法题学习算法知识时,经常会发现题解里写着“动态规划”,里面一上来就是一个复杂的 dp 公式,对于新人来说除了说声“妙啊”,剩下就是疑惑,他是怎么想到这个公式的?我能想到吗?这玩意工作中有用吗?
本文分享自华为云社区《动态规划究竟是怎么想到的?【奔跑吧!JAVA】》,原文作者:breakDraw。
平时练习算法题学习算法知识时,经常会发现题解里写着“动态规划”,里面一上来就是一个复杂的 dp 公式,对于新人来说除了说声
剩下就是疑惑,他是怎么想到这个公式的?我能想到吗?这玩意工作中有用吗?加上“动态规划”这高端的名字,然后就劝退了不少试图去理解他的人。
动态规划听起来太吓人,可以换个说法
我在内心更喜欢叫他“状态缓存”如果是服务开发,相信很熟悉这个词语, 利用缓存来加快一些重复的请求的响应速度。而这个缓存的特点是 和其他缓存有所关联。
比如我们的服务要计算 7 天内的某金钱总和,计算后要缓存一下。后来又收到一个请求,要计算 8 天内的金钱总和那我们只需要取之前算过的 7 天内的金钱综合,加上第 8 天的金钱就行了。
1+4 的思考套路
自己针对动态规划总结了一个自己的思考套路,我叫他 1 组例子 4 个问题,就叫 1+4 好了,通过这 5 个过程,可以站在普通人的角度(就是非 acm 大佬那种的角度),去理解动态规划是如何被思考出来的
在超时的思路上写出一组计算过程的例子
在超时例子的基础上,有哪些重复、浪费的地方?
如何定义 dp 数组
状态的变化方向是什么,是怎么变化的
边界状态是什么
简单例子
以一道简单题为例:爬楼梯:https://leetcode-cn.com/problems/climbing-stairs/
这时候就要静下心,观察这个解法的例子中是否有重复经历的场景,而这个重复经历的场景就叫状态。我处理动态规划的题目时, 都会问自己 3 个问题,一般就能顺利地解决。
①在超时的思路上写出一组计算过程的例子
如果我们考虑最简单的解法, 就是从起点开始,每次选择走 1 步或者走 2 步,看下能否走到终点,能走到则方法数+1。但这种方法注定超时(O(n^2))但我还是照着这个过程模拟了一下,随便列了几个 1 ->2-> 3-> 4-> 51 ->2 ->3-> 51->3->4->51->3->5
②在超时例子的基础上,有哪些重复、浪费的地方?
在上面,我发现了重复的地方
也就是说,从 3 到 5 总共就 2 种路线,已经在 1->2 之后计算过了,我后面从 1 走到 3 再往后走时,没必要再去算了。换言之,当我走到 3 的时候,其实早就可以知道后面还剩下多少种走法。发现重复的地方后,就可以开始建立 dp 公式了。
③如何定义 dp 数组?
定义 dp 数组,也就是定义上面提到的重复的地方。重新看下之前的那句话当我走到 3 的时候,其实早就可以知道后面还剩下多少种走法。所以 dp[3]代表的就是从 3 往后,有多少种可走的方法。
④状态的变化方向是什么,是怎么变化的
首先思考状态的变化方向
重新看这句话:
当我走到 3 的时候,其实早就可以知道后面还剩下多少种走法
说明结果取决于往 后面 的状态因此我们要先计算后面的状态, 即从后往前算
接着思考这个后面的状态和当前的状态有什么联系,是怎么变化的
这个一般都包含在题目条件中
根据题意,要么走 2 步,要么走 1 步,因此每当我走到一层时,下一次就 2 种状态可以变化。那么对于第 3 层而言,他后续有 2 种走法,走 1 步或者走 2 步那么他的情况就是 dp[3] = dp[3+1] + dp{3+2}如果层数设为 i,那么这个变化情况就是 dp[i] = dp[i+1] + dp[i+2]
⑤边界状态是什么?
边界状态就是不需要依赖后面的状态了,直接可以得到结果的状态。在这里肯定就是最后一层 dp[n], 最后一层默认是一种走法。dp[n]=1
实现
根据上面的过程,自己便定义了这个状态和变化
定义:dp[i] : 代表从第 i 层往后,有多少种走法
方向和变化:dp[i] = dp[i+1] + dp[i+2];
边界: dp[n] = 1
根据这个写代码就很容易了代码:
进阶版,二维的动态规划
https://leetcode-cn.com/problems/number-of-ways-to-stay-in-the-same-place-after-some-steps/
①在超时的思路上写出一组计算过程的例子
超时的思路肯定是像搜索一样模拟所有的行走过程。先假设 1 个 steps=5, arrlen=3 的情况随便先列几个。模拟一下不断走的位置。数字指的是当前位置。0->1->2->1->0->00->1->2->1->1->00->1->1->1->1->00->1->1->1->0->00->0->1->1->1->0……
②在超时例子的基础上,有哪些重复、浪费的地方?
0->1->2->1->0->00->1->2->1->1->00->1->1->1->1->00->1->1->1->0->00->0->1->1->1->00->0->1->1->0->0 我发现这部分标粗的部分重复了,换句话说
当我还剩 2 步且当前位置为 1 的时候,后面还有多少种走法,其实早就知道了。
③如何定义 dp 数组?
重新看这句话:
当我还剩 2 步且当前位置为 1 的时候,后面还有多少种走法,其实早就知道了。
涉及了 2 个关键因素: 剩余步数和当前值,所以得用二维数组
因此 dp[realstep][index]就代表了 剩余步数为 step 且位置为 index 时,后续还剩多少种走法。
④状态的变化方向是什么,是怎么变化的
先思考变化方向
“当我还剩 2 步且当前位置为 1 的时候,后面 还有多少种走法,其实早就知道了。”
这个后面是指啥, 后面会怎么变?
后面肯定是步数越来越少的情况, 并且位置会根据规律变化。所以变化方向是步数变少,位置则按照规定去变。
那么这个固定越来越少的这个“剩余步数”,就是核心的变化方向。
我们计算时,可以先计算小的剩余步数的状态, 再去算大的剩余步数。
如何变化
根据题意和方向,剩余步数肯定-1, 然后位置有 3 种选择(减 1,不变,加 1), 那么方法就是 3 种选择的相加。
dp[step][index] =dp[step-1][index-1] + dp[step-1][index] + dp[step-1][index+1]
⑤边界状态是什么?
剩余步数为 0 时,只有当前位置为 0 才是我们最终想要的方案,把值设为 1 并提供给后面用,其他位置且步数为 0 时都认为是 0。
dp[0][0] = 1;
dp[0][index] = 0;(index>0)
实现
那么最终出来了
定义:dp{realstep][index]: 剩余步数为 step 且位置为 index 时, 后续还剩多少种走法。
方向和变化:dp[step][index] = dp[step-1][index-1] +dp[step-1][index] + dp[step-1][index+1]
边界: dp[0][0] = 1;
内存溢出处理
不过这题因为是困难题,所以给上面这个公式设立了一个小难度:
数组长度非常大,导致如果 index 的范围我们选择为 0~arrLen-1, 那么最大情况 dp[500][10^6]注定超时内存范围。
这时候就要去思考 index 设那么大是不是没必要
一般我们可以自己列这种情况的小例子,例如
step=2, arr=10
然后看下 index 有没有必要设成 0~9,随便走几步
0->1->0
0->1->0
0->0->0
嗯?我发现就 3 种情况,arr 后面那么长不用啦?
于是发现规律:
剩余的步数,必须支撑他返回原点!
也就是说,其实 index 的最大范围最多就是 step/2, 不能再多了,再多肯定回不去了。
于是问题解决。
其他类似题目练习
https://leetcode-cn.com/problems/minimum-cost-for-tickets/
版权声明: 本文为 InfoQ 作者【华为云开发者社区】的原创文章。
原文链接:【http://xie.infoq.cn/article/6eb489c73cde1d33971c1f574】。文章转载请联系作者。
评论