滚动数组

滚动数组的作用在于优化空间,主要应用在递推或动态规划中(如01背包问题)。因为DP题目是一个自底向上的扩展过程,我们常常需要用到的是连续的解,前面的解往往可以舍去。所以用滚动数组优化是很有效的。利用滚动数组的话在N很大的情况下可以达到压缩存储的作用。

一个简单的例子:

斐波那契数列:

一般代码:


    #include<iostream>  
    #include<cstdio>  
    using namespace std;  
    int Fib[25];  
      
    int fib(int n){  
        Fib[0] = 0;  
        Fib[1] = 1;  
        Fib[2] = 1;  
        for(int i = 3; i <= n; ++i)  
            Fib[i] = Fib[i - 1] + Fib[i - 2];  
        return Fib[n];  
    }  
      
    int main(){  
        int ncase, n, ans;  
        scanf("%d", &ncase);  
        while(ncase--){  
            scanf("%d", &n);  
            ans = fib(n);  
            printf("%d\n", ans);  
        }  
        return 0;  
    }  

利用滚动数组优化后代码为:

#include<cstdio>  
using namespace std;  
int Fib[3];  
  
int fib(int n){  
    Fib[1] = 0;   
    Fib[2] = 1;  
    for(int i = 2; i <= n; ++i){  
        Fib[0] = Fib[1];   
        Fib[1] = Fib[2];  
        Fib[2] = Fib[0] + Fib[1];  
    }  
    return Fib[2];  
}  
  
int main(){  
    int ncase, n, ans;  
    scanf("%d", &ncase);  
    while(ncase--){  
        scanf("%d", &n);  
        ans = fib(n);  
        printf("%d\n", ans);  
    }  
    return 0;  
}          


滚动数组实际是一种节省空间的办法,时间上没啥优势,多用于DP中,举个例子吧: 

一个DP,平常如果需要1000×1000的空间,其实根据DP的无后效性,可以开成2×1000,然后通过滚动,获得和1000×1000一样的效果。滚动数组常用于DP之中,在DP过程中,我们在由一个状态转向另一个状态时,很可能之前存储的某些状态信息就已经无用了,例如在01背包问题中,从理解角度讲我们应开DP[i][j]的二维数组,第一维我们存处理到第几个物品,也就是阶段了,第二维存储容量,但是我们获得DP[i],只需使用DP[i - 1]的信息,DP[i - k],k>1都成了无用空间,因此我们可以将数组开成一维就行,迭代更新数组中内容,滚动数组也是这个原理,目的也一样,不过这时候的问题常常是不可能缩成一维的了,比如一个DP[i][j]需要由DP[i - 1 ][k],DP[i - 2][k]决定,i<n,0<k<=10;n <= 100000000;显然缩不成一维,正常我们应该开一个DP[100000005][11]的数组,结果很明显,超内存,其实我们只要开DP[3][11]就够了DP[i%3][j]由DP[(i - 1)%3][k]和DP[(i - 2)%3][k]决定,空间复杂度差别巨大。


### 滚动数组在01背包问题中的实现与优化 #### 一、滚动数组的基本原理 在传统的动态规划解决01背包问题时,通常会使用二维数组`dp[i][j]`表示前`i`个物品放入容量为`j`的背包所能获得的最大价值。然而,这种方法的空间复杂度较高,为`O(nW)`,其中`n`是物品数量,`W`是背包容量。通过观察状态转移方程`dp[i][j] = max(dp[i-1][j], dp[i-1][j-w[i]] + v[i])`[^3],可以发现当前状态`dp[i][j]`仅依赖于上一行的状态`dp[i-1][...]`,因此可以通过滚动数组将二维数组优化为一维数组。 #### 二、滚动数组的优化过程 1. **空间优化** 使用一维数组`dp[j]`代替二维数组`dp[i][j]`,其中`dp[j]`表示容量为`j`的背包所能容纳的最大价值。通过逆序遍历背包容量`j`(从`W`到`w[i]`),可以确保每个物品只被考虑一次,避免重复计算。 这种逆序遍历的方式保证了在更新`dp[j]`时,使用的仍然是未更新的`dp[j-w[i]]`值,从而正确模拟了二维数组的状态转移过程[^4]。 2. **代码实现** 下面是一个基于滚动数组优化的01背包问题的Java实现: ```java public class Knapsack { public static int knapsack(int[] weights, int[] values, int capacity) { int n = weights.length; int[] dp = new int[capacity + 1]; for (int i = 0; i &lt; n; i++) { for (int j = capacity; j &gt;= weights[i]; j--) { dp[j] = Math.max(dp[j], dp[j - weights[i]] + values[i]); } } return dp[capacity]; } public static void main(String[] args) { int[] weights = {2, 3, 4}; int[] values = {3, 4, 5}; int capacity = 5; System.out.println(&quot;最大价值: &quot; + knapsack(weights, values, capacity)); } } ``` 3. **时间复杂度与空间复杂度** - 时间复杂度:仍为`O(nW)`,因为需要对每个物品和每个背包容量进行遍历。 - 空间复杂度:由`O(nW)`降低至`O(W)`,显著减少了内存消耗[^2]。 #### 三、滚动数组的关键点 - **逆序遍历**:为了防止在更新`dp[j]`时覆盖掉尚未使用的`dp[j-w[i]]`值,必须从大到小遍历背包容量。如果正序遍历,则会导致同一物品被多次放入背包中,违背01背包问题的规则[^4]。 - **边界条件**:当背包容量`j`小于当前物品重量`w[i]`时,无法放入该物品,因此无需更新`dp[j]`[^3]。 #### 四、滚动数组的应用场景 滚动数组不仅适用于01背包问题,还可以推广到其他动态规划问题中,只要满足当前状态仅依赖于少数几个之前状态的情况。例如,在某些矩阵路径问题或字符串匹配问题中,也可以通过类似的方法减少空间开销[^5]。 ---
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