计蒜客第16题---爬楼梯

本文探讨了通过动态规划优化解决爬楼梯问题的算法。详细介绍了递归方法的不足及改进思路,通过创建数组存储子问题结果,避免了重复计算,显著提高了效率。最后提供了动态规划实现的具体代码示例。

假设你现在正在爬楼梯,楼梯有n级。每次你只能爬1级或者2级,那么你有多少种方法爬到楼梯的顶部?
格式:
第一行输入一个数n(n<=50),代表楼梯的级数。
接下来一行输出你的方法总数。
样例1
输入:
5
输出:
8
很容易想到这道题可以用递归的方法:
分析:假设从底走到第n级的走法有f(n)种,走到第n级有两个方法,一个是从(n-1)级走一步,另一个是从第(n-2)级走两步,前者有f(n-1)种方法,后者有f(n-2)种方法,所以有f(n)=f(n-1)+f(n-2),还有f(0)=1,f(1)=1.
具体实现:

#include<iostream>
using namespace std;
int f(int n) {
  if(n==0 || n==1)
    return 1;
  else
    return f(n-1)+f(n-2);
}
int main() {
  int n;
  cout << f(n) << endl;
  return 0;
}

可惜会超时。
改进的方法:动态规划!
在递归思想的基础下,我们知道存在子问题求解的重复性,运用动规,只需要将子问题求解一次,以后再遇到,直接调用,所以我们新建一个数组用于存储子问题的结果:
将数组元素初始为零,若为新的子问题,我们求解,并把结果赋给对应的数组元素;这样当我们再次遇到相同的子问题,就可以直接调用了。
具体的实现:

#include<iostream>
using namespace std;
int result[100];
int f(int n) {
  int res;
  if(result[n]>0)    //如果大于零,说明该子问题原来已经求过解
    return result[n];   //直接返回对应的数组元素
  if(n==0 || n==1)
    res=1;
  else
    res=f(n-1)+f(n-2);
  result[n]=res;  //每次都将求过解的子问题赋给对应数组元素
  return res;
}
int main() {
  int i, n;
  cin >> n;
  for(i=0;i<=n;i++)
    result[i]=-1;
  cout << f(n);
  return 0;
}

一位朋友提供的方法:
原理:http://blog.sina.com.cn/s/blog_6ea2c6a20100x359.html

#include<iostream>
using namespace std;
struct matrix {
  int a, b, c, d;
  matrix(int a_ = 1, int b_ = 1, int c_ = 1, int d_ = 0) {
    a = a_, b = b_, c = c_, d = d_;
  }
};
static matrix result(1, 0, 1, 0);
matrix operator* (matrix x, matrix y) {
  matrix r;
  r.a = x.a * y.a + x.b * y.c;
  r.b = x.a * y.b + x.b * y.d;
  r.c = x.c * y.a + x.d * y.c;
  r.d = x.c * y.b + x.d * y.d;
  return r;
}
void mul(matrix base, int index) {
  while (index != 0) {
    if(index % 2) result = result * base;
    base = base * base;
    index /= 2;
  }
}
int main() {
  int n;
  cin >> n;
  matrix base(1, 1, 1, 0);
  if (n == 1) {cout << 1; return 0; }
  mul(base, n - 1);
  cout << result.a + result.b << endl;
  return 0;
}

本文为转载,原文地址:http://m.blog.youkuaiyun.com/blog/SYSU_Winky/38077771

源码地址: https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问决定。 举一个平方和的例子。 简单的平方和问 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
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