数字金字塔顺推

题目描述
观察下面的数字金字塔。
写一个程序来查找从最高点到底部任意处结束的路径,使路径经过数字的和最大。每一步可以走到左下方的点也可以到达右下方的点。
         7 
      3   8 
    8   1   0 
  2   7   4   4 
4   5   2   6   5 
在上面的样例中,从7 到 3 到 8 到 7 到 5 的路径产生了最大
输入输出格式

输入格式:
第一个行包含 R(1<= R<=1000) ,表示行的数目。
后面每行为这个数字金字塔特定行包含的整数。
所有的被供应的整数是非负的且不大于100。

输出格式:
单独的一行,包含那个可能得到的最大的和。

输入输出样例
输入样例#1:
5
7
3 8
8 1 0
2 7 4 4
4 5 2 6 5 
输出样例#1:

30

var
 a:Array[0..1001,0..1001] of longint;//读入需要数组
 f:array[0..1001]of longint;//记录下每一次行走后产生的结果
 i,j,n,k,max,x,y:Longint;
begin
 read(n);
 for i:=1 to n do
  begin
   for j:=1 to i do
    read(a[i,j]);
    readln;
  end;
 f[1]:=a[1,1];//因为从第一个开始,所以第一个一定是最前面的那个数
 for i:=2 to n do
 begin
  for j:=i downto 1 do
   begin
    x:=a[i,j]+f[j];代表下面的数
    y:=a[i,j]+f[j-1];代表右边的数
    if x>y then max:=x
           else max:=y;//记录下最符合题意(最大数)的路径
    f[j]:=max;//记录这一次的结果并覆盖上一次
    max:=0;//确保max的值不会累加   
   end;
 end;
 max:=0;//确保输出
 for i:=1 to n do
  if max<f[i] then max:=f[i];//运用打擂台比较
  write(max);
  readln;
end.

动态规划的顺法通常用于解决具有最优子结构的问题,其中当前状态的最优解可以通过前一状态的最优解来导。一个经典的例子是**最长递增子序列(LIS)**问题,该问题非常适合使用动态规划顺法来解决。 ### 问题描述 给定一个未排序的整数组成的数组 `nums`,找到其中最长递增子序列的长度。子序列中的元素不需要连续,但必须保持递增顺序。 ### 动态规划顺法思路 1. 定义一个一维数组 `dp`,其中 `dp[i]` 表示以 `nums[i]` 结尾的最长递增子序列的长度。 2. 初始时,每个位置的 `dp[i]` 都设为 1,因为每个元素本身可以构成一个长度为 1 的子序列。 3. 对于每个元素 `nums[i]`,遍历其前面的所有元素 `nums[j]`(其中 `j < i`),如果 `nums[j] < nums[i]`,则说明 `nums[i]` 可以接在 `nums[j]` 后面形成一个更长的递增子序列。此时更新 `dp[i] = max(dp[i], dp[j] + 1)`。 4. 最终,`dp` 数组中的最大值即为整个数组中最长递增子序列的长度。 ### Python代码实现 ```python def length_of_lis(nums): if not nums: return 0 n = len(nums) dp = [1] * n # 初始化 dp 数组,每个位置初始值为 1 for i in range(1, n): for j in range(i): if nums[j] < nums[i]: dp[i] = max(dp[i], dp[j] + 1) return max(dp) # 返回 dp 数组中的最大值 # 示例输入 nums = [10, 9, 2, 5, 3, 7, 101, 18] print(length_of_lis(nums)) # 输出 4,最长递增子序列为 [2, 3, 7, 101] ``` ### 代码解析 - `dp` 数组初始化为全 1,因为每个元素自身就是一个子序列。 - 外层循环遍历数组中的每个元素 `nums[i]`,内层循环遍历其前面的所有元素 `nums[j]`。 - 如果 `nums[j] < nums[i]`,则说明 `nums[i]` 可以接在 `nums[j]` 后面形成一个更长的递增子序列,因此更新 `dp[i]`。 - 最终通过 `max(dp)` 找到最长递增子序列的长度。 ### 时间复杂度 - 该算法的时间复杂度为 $O(n^2)$,其中 $n$ 是数组的长度。对于较大的输入,可以通过使用二分查找优化到 $O(n \log n)$,但这里展示的是基础的动态规划顺法实现。 ### 适用场景 动态规划顺法适用于需要从子问题逐步构建大问题最优解的场景,尤其适合具有最优子结构和重叠子问题性质的问题。最长递增子序列问题是一个典型例子,类似的还有背包问题、编辑距离等。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值