动态规划-经典dp(打家劫舍,股票等)

本文围绕动态规划算法展开,详细讲解了常规dp问题,如爬楼梯、不同路径、整数拆分;打家劫舍系列问题,包括线性和环形数组情况;以及股票买卖的最佳时机系列问题,涵盖不同交易次数、冷冻期、手续费等多种场景,并给出各问题的dp定义、转移方程、初始化及遍历顺序。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1.常规dp

1.1 爬楼梯

1.1.1 爬楼梯

 由于求的是组合数,我们将不同路径相加即可

dp定义:
dp[i]为爬到第i阶楼梯的方法数;

转移方程:

dp[i] = dp[i-2] +dp[i-1];

初始化:
 由于涉及到i-2和i-1,那么我们要从i=2开始遍历,因此要初始化dp[0] = 0,dp[1] = 1(根据定义)

遍历顺序:

从左往右 

完整代码:

class Solution {
public:
    int climbStairs(int n) {
        vector<int> dp(n+1,0);
        dp[0] = 0;
        dp[1] = 1;
        if(n==1)return 1;
        dp[2] = 2;
        for(int i =3;i<=n;i++){
            dp[i] = dp[i-2] +dp[i-1];
        }
        return dp[n];
    }
};

 1.1.2 使用最小花费爬楼梯

 此题和上一题非常类似,只要理解题意就不难

由于是求解最优路径,我们使用min而不是相加,同时我们要理解假如有n层台阶,那么顶层就是顶n+1层(由题意可知):

1)因此我们设置dp大小为n+1

2)同时初始化时,不要初始化错误,

如果我们认为dp[1]是跳过0 1 两级就错了,会初始化为:

        dp[0] = 0;
        dp[1] = min(cost[0],cost[1]);

实际上dp[1]表示跳到第1级台阶上面的顶层,而dp[0]表示顶层就是地板的下一级

        dp[0] = 0;
        dp[1] = 0;

其实不用专门初始化,dp[i]全为0即可 

其他不多赘述,详细步骤参考下面代码和1.1.1:

class Solution {
public:
    int minCostClimbingStairs(vector<int>& cost) {
        int n = cost.size();
        vector<int> dp(n+1,0);
        dp[0] = 0;
        dp[1] = min(cost[0],cost[1]);
        
         for(int i =2;i <= n;i++){
            dp[i] = min(dp[i- 1]+cost[i-1],dp[i-2]+cost[i-2]);
         }
         return dp[n];
    }
};

1.2  不同路径

1.2.1 不同路径

这样的题显然会第一时间想到dfs,但这里使用dfs会超时,使用备忘录优化的话时间复杂度和dp相同,因此我们直接使用dp来做

dp定义:
这类问题的dp定义很简单,要么就是表示组合数要么就是最优路径,且一般为二维dp

 此题dp[i][j]表示走到(i,j)有多少路径

 转移方程:
转移方程也比较固定,dp[i][j]由dp[i-1][j] 和dp[i][j1](上面和左边,因为机器人只能这样走)转移过来

此处为:

dp[i][j] = dp[i-1][j]+dp[i][j-1];

初始化:
注意二维dp同时是从左上角往右下角更新,因此,我们要初始化第一行和第一列 ,具体怎么初始化,根据定义即可

此处为:

        for(int i = 0;i < n;i++)dp[i][0] = 1;
        for(int i = 0;i < m;i++)dp[0][i] = 1;

遍历方向:

斜向下

完整代码:

class Solution {
public:
    int uniquePaths(int m, int n) {
        vector<vector<int>> dp(n,vector<int>(m,0));

        for(int i = 0;i < n;i++)dp[i][0] = 1;
        for(int i = 0;i < m;i++)dp[0][i] = 1;
        
        for(int i = 1; i < n;i++)
            for(int j = 1;j <m;j++){
                dp[i][j] = dp[i-1][j]+dp[i][j-1];
            }
            return dp[n-1][m-1];
    }
};

1.2.2 不同路径2

核心和上一题相同,注意的点:
1)只有当一个点没有障碍时我们才能更新这个点

2)我们可以从有障碍的点推到无障碍的点,因为有障碍的点路径为0,相当于没有使用,也即是之前的转移方程不用变,加一点限制条件即可:

                if(obstacleGrid[i][j]!=1){
                    dp[i][j] = dp[i-1][j]+dp[i][j-1];
                }

3)初始化时,如果一行里有一个障碍,那么障碍之后都走不通了,也就是第一个障碍及其之后初值都为0

        for(int i =0;i <m;i++){
            if(obstacleGrid[i][0]==0)
                dp[i][0] = 1;
            else if(obstacleGrid[i][0]==1)
                break;
        }
        for(int i =0;i <n;i++){
            if(obstacleGrid[0][i]==0)
                dp[0][i] = 1;
            else if(obstacleGrid[0][i]==1)
                break;
        }

其余没有什么注意点,完整代码如下:

class Solution {
public:
    int uniquePathsWithObstacles(vector<vector<int>>& ob
<think>嗯,用户想了解动态规划算法的原理、实现和应用。首先,我需要回忆动态规划的基本概念。根据引用[2],动态规划适用于有重叠子问题和最优子结构的问题。那什么是重叠子问题呢?比如斐波那契数列,计算fib(5)需要多次计算fib(3),这时候重复计算就可以通过存储中间结果来优化。最优子结构应该是说大问题的最优解包含子问题的最优解,比如最短路径问题。 接下来是原理部分,用户可能想知道动态规划的核心思想。引用[3]提到动态规划通过分解问题,保存中间结果避免重复计算。需要解释状态和状态转移方程,这部分在引用[1]里也有提到,状态转移方程是关键,比如LCS问题中的不同情况处理。 实现方法的话,通常分为自顶向下和自底向上。自顶向下是递归加记忆化,而自底向上是迭代填表。比如斐波那契数列,递归会有很多重复,用数组存储已计算的值可以优化。引用[4]中的例子可能涉及状态转移方程的具体应用,比如最小花费问题。 应用场景方面,动态规划常见于背包问题、最长公共子序列、最短路径等。引用[3]提到Dijkstra算法也是动态规划的一种,这可能是个有趣的例子,但通常Dijkstra被归类为贪心算法,可能需要进一步确认。另外,股票买卖问题也是经典DP应用。 用户可能还希望了解动态规划的优缺点,比如时间复杂度的优化和空间复杂度可能较高的问题。比如,斐波那契数列用DP可以将指数时间降到线性,但需要O(n)空间,不过可以进一步优化到O(1)。 需要确保回答结构清晰,分点解释原理、步骤、实现方法和应用场景。同时,生成的相关问题要覆盖用户可能进一步询问的方向,比如步骤中的关键点或优化技巧。还要注意引用正确的文献,比如引用[2]关于重叠子问题和最优子结构的定义,引用[3]中的状态转移方程例子。 最后,检查是否符合用户的要求:使用中文,LaTeX格式正确,生成相关问题,引用标识正确。例如,数学公式用$...$或$$...$$,代码块用正确的语法,确保没有用户不可见的指令出现在回答中。</think>### 动态规划DP算法详解 #### 一、基本原理 动态规划算法的核心思想是**将复杂问题分解为重叠子问题,并通过保存中间计算结果避免重复计算**,从而提高效率[^2]。其适用条件包括: 1. **最优子结构**:大问题的最优解可由子问题的最优解推导得到 *例如:最短路径问题中,若$A \rightarrow B \rightarrow C$是$A \rightarrow C$的最短路径,则$A \rightarrow B$和$B \rightarrow C$也必须是各自段的最短路径* 2. **重叠子问题**:不同子问题之间存在重复计算 *例如:计算斐波那契数列$F(n)=F(n-1)+F(n-2)$时,$F(3)$会被多次计算* #### 二、实现步骤 1. **定义状态** 用变量或数组表示问题的中间状态,例如: - 斐波那契数列:$dp[i]$表示第$i$项的值 - 背包问题:$dp[i][j]$表示前$i$个物品在容量$j$时的最大价值 2. **建立状态转移方程** 根据子问题之间的关系推导递推公式,例如: - 最长公共子序列(LCS): $$ dp[i][j] = \begin{cases} dp[i-1][j-1]+1 & \text{当 } S1[i]=S2[j] \\ \max(dp[i-1][j], dp[i][j-1]) & \text{当 } S1[i] \neq S2[j] \end{cases} $$ [^3] 3. **确定初始条件和边界值** 例如斐波那契数列中$dp[0]=0, dp[1]=1$ 4. **选择计算顺序** - 自顶向下(记忆化搜索):递归+备忘录 - 自底向上:迭代填表 #### 三、代码实现示例(斐波那契数列) ```python # 自底向上实现 def fib(n): dp = [0] * (n+1) dp[1] = 1 for i in range(2, n+1): dp[i] = dp[i-1] + dp[i-2] # 状态转移方程 return dp[n] # 空间优化版(O(1)空间) def fib_optimized(n): a, b = 0, 1 for _ in range(n): a, b = b, a + b return a ``` #### 四、典型应用场景 1. **序列问题** - 最长递增子序列(LIS) - 编辑距离计算 2. **背包问题** - 0-1背包:$dp[i][j] = \max(dp[i-1][j], dp[i-1][j-w_i] + v_i)$ - 完全背包 3. **路径规划** - 网格最小路径和(状态转移方程:$dp[i][j] = \min(dp[i-1][j], dp[i][j-1]) + grid[i][j]$)[^4] 4. **动态决策问题** - 股票买卖最佳时机 - 打家劫舍问题 #### 五、算法分析 | 特征 | 说明 | |-----------|-----------------------------| | 时间复杂度 | $O(子问题数量 \times 每个子问题计算时间)$ | | 空间复杂度 | 可通过滚动数组优化 | | 优势 | 避免重复计算,效率显著提升 | | 局限性 | 要求问题具有最优子结构 |
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