DP Unique Paths

本文通过三种动态规划方法解决迷宫问题:标准动态规划、动态规划+滚动数组优化和深度优先搜索加备忘录优化。每种方法的时间复杂度均为O(n^2),空间复杂度分别为O(n^2)、O(n)。最后介绍了动态规划方法在解决此类问题中的应用和优势。

思想:

方法一:DP

时间复杂度O(n^2),空间复杂度O(n^2)

递推方程:

map[0][i] = 1;  0<=i<n

map[i][0] = 1;  0<=i<m

map[i][j] = map[i-1][j] + map[i][j-1]

最后结果 = map[i-1][j-1]

class Solution {
public:
    int uniquePaths(int m, int n) {
        vector<vector<int>> map(m,vector<int>(n,1));
        for(int i=1;i<m;i++) {
            for(int j=1;j<n;j++) {
                map[i][j] = map[i-1][j] + map[i][j-1];
            }
        }  
        return map[m-1][n-1];
    }
};

方法二:DP+滚动数组

时间复杂度O(n^2),空间复杂度O(n)

用一个一维滚动数组代替上面的二维数组,让这个一维数组从1到m-1往下刷,每一次更新其中的每一列的值,因为往下刷的时候记住了上一行的每一列的值,所以将:

map[i][j] = map[i-1][j] + map[i][j-1] 转为了 map[j] = map[j] + map[j-1]

class Solution {
public:
    int uniquePaths(int m, int n) {
        vector<int> map(n,1);
        for(int i=1;i<m;i++) {
            for(int j=1;j<n;j++) {
                map[j]+=map[j-1];
            }
        }
        return map[n-1];
    }
};

方法三:DFS

但是TLE,由此想到记录每一个走过的点(备忘录)。

class Solution {
public:
    int uniquePaths(int m, int n) {
        if(m == 0 || n == 0) return 1;
        return uniquePaths(m-1, n) + uniquePaths(m, n-1);
    }
};

方法四:DFS+备忘录

初始条件:

map[0][i] = 1;  0<=i<n

map[i][0] = 1;  0<=i<m

map[i][j] = 0; others i,j

dfs时候记录走过的点的map值。

class Solution {
private:
    vector<vector<int>> map;
    int dfs(int m,int n) {
        if(m == 0 || n == 0) return 1;
        return getOrUpdate(m-1, n) + getOrUpdate(m, n-1); 
    }
    int getOrUpdate(int m,int n) {
        if(map[m][n]!=0) return map[m][n];
        else return map[m][n] = dfs(m,n);
    }
public:
    int uniquePaths(int m, int n) {
        this->map = vector<vector<int>>(m,vector<int>(n,0));
        return dfs(m-1,n-1);
    }
};



先展示下效果 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计出来的算法: 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) )是计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题决定。 举一个平方和的例子。 简单的平方和问题 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