动态规划：数字三角形问题的求解策略与优化技巧

目录

动态规划：数字三角形问题的求解策略与优化技巧

1. 问题描述

2. 解题思路

3. 代码实现

4. 优化方法

5. 总结

---

在动态规划的学习过程中，数字三角形问题是一个极具代表性的例题。这个问题不仅能帮助我们深入理解动态规划的核心思想，还能让我们掌握一些实用的优化技巧。本文将详细探讨数字三角形问题，包括问题描述、解题思路、代码实现以及优化方法，希望能对大家有所帮助。

1. 问题描述

在数字三角形中，我们的目标是从顶部到底边找到一条路径，使得路径上所有经过的数字之和最大。路径上的每一步只能往左下或者往右下走。给定数字三角形的行数和每个位置的数字，计算出最大路径和。例如，对于以下数字三角形：

   3
  7 4
 2 4 6
8 5 9 3

从顶部到底边的最大路径和为 3 + 7 + 4 + 9 = 23。

2. 解题思路

1. 深度优先搜索（DFS）思维：从顶点开始，我们有两个方向可选（左下或右下）。可以使用深度优先搜索的思想来尝试所有可能的路径。但这种方法存在大量重复计算，例如以数字 3 为顶点时，计算其左下和右下路径的和时，会多次计算底层的子三角形。
2. 记忆型递归：为了避免重复计算，我们可以使用记忆型递归。通过创建一个数组来保存已经计算过的子问题的解，当再次遇到相同的子问题时，直接返回已保存的结果。
3. 动态规划（DP）思路：动态规划是一种递推的思想，我们可以从底层往上计算。思考所求的最大路径和依赖于什么，例如数字 7 的最大路径和依赖于它左下数字 2 和右下数字 4 的最大路径和。我们可以创建一个二维数组（DP 数组）来存储每个位置的最大路径和，从最后一行开始，逐步往上计算，最后得到顶部的最大路径和。

3. 代码实现

1. 深度优先搜索（DFS）代码：

public class TriangleMaxPathSum {

    public static int triangleMaxPathSum(int[][] triangle, int i, int j) {
        if (i == triangle.length - 1) {
            return triangle[i][j];
        }
        return triangle[i][j] + Math.max(triangleMaxPathSum(triangle, i + 1, j),
                triangleMaxPathSum(triangle, i + 1, j + 1));
    }
}

1. 动态规划（DP）代码：

public class TriangleMaxPathSum {

    public static int triangleMaxPathSumDP(int[][] triangle) {
        int rowCount = triangle.length;
        int[][] dp = new int[rowCount][rowCount];

        // 初始化最后一行
        for (int i = 0; i < rowCount; i++) {
            dp[rowCount - 1][i] = triangle[rowCount - 1][i];
        }

        // 从倒数第二行开始向上计算
        for (int i = rowCount - 2; i >= 0; i--) {
            for (int j = 0; j <= i; j++) {
                dp[i][j] = triangle[i][j] + Math.max(dp[i + 1][j], dp[i + 1][j + 1]);
            }
        }

        return dp[0][0];
    }
}

4. 优化方法

1. 滚动数组优化：观察发现，计算每一行的最优解时，只依赖于下一行的值。因此可以使用滚动数组来优化空间复杂度，用一维数组重复利用空间。以下是使用滚动数组优化后的代码：

public class TriangleMaxPathSum {

    public static int triangleMaxPathSumDPWithRollingArray(int[][] triangle) {
        int rowCount = triangle.length;
        int[] dp = new int[rowCount];

        // 初始化最后一行
        for (int i = 0; i < rowCount; i++) {
            dp[i] = triangle[rowCount - 1][i];
        }

        // 从倒数第二行开始向上计算
        for (int i = rowCount - 2; i >= 0; i--) {
            for (int j = 0; j <= i; j++) {
                dp[j] = triangle[i][j] + Math.max(dp[j], dp[j + 1]);
            }
        }

        return dp[0];
    }
}

5. 总结

数字三角形问题通过不同的解题方法，让我们对动态规划有了更深入的理解。深度优先搜索虽然直观但效率较低，动态规划通过合理的状态定义和递推关系能够高效地解决问题。而滚动数组优化则在空间复杂度上提供了进一步的提升。在解决这类问题时，关键是分析问题的依赖关系，确定合适的状态转移方程，并根据实际情况考虑空间优化。希望本文的讲解能帮助大家更好地掌握动态规划在数字三角形问题中的应用，为解决更复杂的动态规划问题打下坚实的基础。