【42页动态规划学习笔记分享】动态规划核心原理详解及27道LeetCode相关经典题目汇总

    《博主简介》

小伙伴们好,我是阿旭。专注于人工智能AI、python、计算机视觉相关分享研究。
更多学习资源,可关注公-仲-hao:【阿旭算法与机器学习】,共同学习交流~
👍感谢小伙伴们点赞、关注!

《------往期经典推荐------》

一、AI应用软件开发实战专栏【链接】
二、机器学习实战专栏【链接】,已更新31期,欢迎关注,持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】

《------正文------》

这篇文章是博主在学习动态规划系列算法过程中精心总结的42页学习笔记,其中包含了动态规划的原理详解以及LeetCode中的动态规划题目汇总

免费分享给需要的下伙伴。原版文档获取方式见文末。

目录

介绍  

定义  

应用场景  

核心  

动态规划特点(三要素)  

通常的思考过程  

状态转移方程一般过程  

解题方法  

DP数组注意事项  

举例  

1.斐波拉契数列  

暴力递归:时间复杂度2^n指数级  

带备忘录的递归  

DP数组的迭代解法  

2.零钱兑换问题  

暴力解法  

带备忘录的递归  

DP数组迭代解法  

经典题目  

*最长回文子串  

*最长有效括号  

*不同的子序列  

*最长公共子序列  

*最长公共子串  

*最长上升子序列  

**编辑距离  

最长重复子数组  

完全平方数  

不同路径1  

不同路径2    

不同路径3(回溯)  

零钱兑换1  

零钱兑换2  

最大正方形    

最大矩形  

最大子序和  

三角形最小路径和  

乘积最大子数组  

打家劫舍  

最小路径和  

买卖股票问题  

买卖股票的最佳时机2    

使用最小花费爬楼梯  

解码方法  

赛车  

播放列表的数量  


介绍  

定义  

动态规划时一种运筹学方法,是在多轮决策过程中的最优方法。

应用场景  

动态规划问题的一般形式就是求最值。动态规划其实是运筹学的一种最优化方法,只不过在计算机问题上应用比较多,比如说让你求最长递增子序列呀,最小编辑距离呀等等。

核心  

求解动态规划的核心问题是穷举。因为要求最值,肯定要把所有可行的答案穷举出来,然后在其中找最值。

动态规划特点(三要素)  

1.最优子结构:原问题的最优解所包含的子问题的解也是最优的,通过子问题的最值得到原问题的最值。

2.存在重叠子问题:子问题间不独立(这是动态规划区别于分治的最大不同);如果暴力穷举的话效率会极其低下,所以需要「备忘录」或者「DP table」来优化穷举过程,避免不必要的计算

3.无后效性:即后续的结果不会影响当前结果。

通常的思考过程  

动态规划没有标准的解题方法,但在宏观上有通用的方法论:

下面的 k 表示多轮决策的第 k 轮

1.分阶段,将原问题划分成几个子问题。一个子问题就是多轮决策的一个阶段,它们可以是不满足独立性的。    

2.找状态,选择合适的状态变量 Sk。它需要具备描述多轮决策过程的演变,更像是决策可能的结果。

3.做决策,确定决策变量 uk。每一轮的决策就是每一轮可能的决策动作,例如 D2 的可能的决策动作是 D2 -> E2 和 D2 -> E3。

4.状态转移方程。这个步骤是动态规划最重要的核心,即 sk+1= uk(sk) 。

5.定目标。写出代表多轮决策目标的指标函数 Vk,n。

6.寻找终止条件。

状态转移方程一般过程  

状态转移方程:一般思考过程,明确「状态」 -> 定义 dp 数组/函数的含义 -> 明确「选择」-> 明确 base case。方程本质是数学的递推式

解题方法  

递归是一种自顶向下的求解方式,DP数组是一种自底向上的求解方式。

1.递归寻找暴力解:自顶向下求解;

2.通过备忘录memo优化递归过程,剔除重复计算,消除一下重叠子问题;

3.通过DP table 自底向上求解:主要是需要明确DP数组的含义定义,然后通过递推进行推导。

DP数组注意事项  

数组的遍历方向

# 正向遍历

int[][] dp = new int[m][n];

for (int i = 0; i < m; i++)        

    for (int j = 0; j < n; j++)

        // 计算 dp[i][j]

# 反向遍历

for (int i = m - 1; i >= 0; i--)

    for (int j = n - 1; j >= 0; j--)

        // 计算 dp[i][j]

# 斜向遍历

for (int l = 2; l <= n; l++)

    for (int i = 0; i <= n - l; i++)

        int j = l + i - 1;

        // 计算 dp[i][j]

          

DP数组的递推计算过程需要注意两点:

1、遍历的过程中,所需的状态必须是已经计算出来的。

2、遍历的终点必须是存储结果的那个位置

主要就是看 base case 和最终结果的存储位置。

如:编辑距离问题:正向遍历    

回文子序列问题:从左至右斜着遍历,或从下向上从左到右遍历,都可以

    

举例  

1.斐波拉契数列  

暴力递归:时间复杂度2^n指数级  

def fib(n):

    if n <= 2:

        return 1

    return fib(n-1) + fib(n-2)

带备忘录的递归  

def fib(n):

    def helper(n):

        if n <= 2:

            return 1

        if n in memo:

            return memo[n]

        memo[n] = fib(n-1) + fib(n-2)

        return memo[n]

    memo = {} # 记录已经计算过的值,防止重复计算

    return helper(n)

DP数组的迭代解法  

上述递归过程是自顶向下求解的,dp数组则是自底向上求解的。

def fib(n):

    dp = [0 for _ in range(n+1)]        

    dp[1] = dp[2] = 1

    for i in range(3, n + 1):

        dp[i] = dp[i-1] + dp[i-2]

    return dp[n]

根据斐波那契数列的状态转移方程,当前状态只和之前的两个状态有关,其实并不需要那么长的一个 DP table 来存储所有的状态,只要想办法存储之前的两个状态就行了。所以,可以进一步优化,把空间复杂度降为 O(1):

def fib(n):

    if n <= 2:

        return 1

    prev = 1

    curr = 1

    for i in range(3,n+1):

        prev, curr = curr, prev + curr

    return curr

2.零钱兑换问题  

题目:给你 k 种面值的硬币,面值分别为 c1, c2 ... ck,每种硬币的数量无限,再给一个总金额 amount,问你最少需要几枚硬币凑出这个金额,如果不可能凑出,算法返回 -1 。

状态转移方程:

# 伪码框架

def coinChange(coins: List[int], amount: int):        

    # 定义:要凑出金额 n,至少要 dp(n) 个硬币

    def dp(n):

        # 做选择,选择需要硬币最少的那个结果

        for coin in coins:

            res = min(res, 1 + dp(n - coin))

        return res

    # 我们要求的问题是 dp(amount)

    return dp(amount)

实际代码:

暴力解法  

def coinChange(coins, amount):

    def dp(n):

        # 函数定义为目标金额为n时,所需的最少硬币数量

        # base case

        # 目标金额为 0 时,所需硬币数量为 0;当目标金额小于 0 时,无解,返回 -1

        if n == 0: return 0

        if n < 0: return -1

        # 求最小值,所以初始化结果为正无穷

        res = float('inf')

        for coin in coins:

            subpro = dp(n-coin)

            if subpro == -1:

                # 子问题无解,跳过

                continue

            res = min(res, 1 + subpro)

        return res if res != float('inf') else -1

    return dp(amount)

带备忘录的递归  

def coinChange(coins, amount):        

    def dp(n):

        # 函数定义为目标金额为n时,所需的最少硬币数量

        # base case

        # 目标金额为 0 时,所需硬币数量为 0;当目标金额小于 0 时,无解,返回 -1

        if n == 0: return 0

        if n < 0: return -1

        if n in memo:

            return memo[n]

        # 求最小值,所以初始化结果为正无穷

        res = float('inf')

        for coin in coins:

            subpro = dp(n-coin)

            if subpro == -1:

                # 子问题无解,跳过

                continue

            res = min(res, 1 + subpro)

        memo[n] = res if res != float('inf') else -1

        return memo[n]

    memo = {}

    return dp(amount)

DP数组迭代解法  

dp[i] = x 表示,当目标金额为 i 时,至少需要 x 枚硬币。

def coinChange(coins, amount):

# 数组大小为 amount + 1,初始值也为 amount + 1

# 因为总的零钱个数不会超过amount,所以初始化amount + 1即可

    dp = [amount + 1 for _ in (amount + 1)]

    dp[0] = 0

    for i in range(len(dp)):

        #  内层 for循环,求解的是所有子问题 + 1 的最小值

        for coin in coins:

            # 子问题无解,跳过

            if i - coin < 0:

                continue

            dp[i] = min(dp[i],1+dp[i-coin])        

    if dp[amount] == amount + 1:

        return  -1

    else:

        return dp[amount]

注:dp 数组初始化为 amount + 1 呢,因为凑成 amount 金额的硬币数最多只可能等于 amount(全用 1 元面值的硬币),所以初始化为 amount + 1 就相当于初始化为正无穷,便于后续取最小值。

这个题目相当于是组合问题,每个硬币可以用多次,一共有多少种组合。

说明:前k个硬币凑齐金额i的组合数等于前k-1个硬币凑齐金额i的组合数加上在原来i-k的基础上使用硬币的组合数。说的更加直白一点,那就是用前k的硬币凑齐金额i,要分为两种情况开率,一种是没有用前k-1个硬币就凑齐了,一种是前面已经凑到了i-k,现在就差第k个硬币了。

DP[i] = DP[i] + DP[i-k]:

式子右边的DP[i]表示不使用第K个金币的和为i的组合, DP[i-k]表示使用金币k的和为i的组合数。

          

第 39 题问的是所有的组合列表,需要知道每一个组合是什么?,应该使用 回溯算法 求解,并且存储每一个组合;

第 518 题问的是组合有多少种,而不是问具体的解。应该使用 动态规划 求解

class Solution:

    def change(self, amount: int, coins: List[int]) -> int:        

        # 子问题:对于硬币从0到k,我们必须使用第k个硬币的时候,当前金额的组合数

        # 状态数组DP[i]表示对于第k个硬币能凑的组合数

        # 转移方程DP[i] = DP[i] + DP[i-k]

        dp = [0] * (amount + 1)

        dp[0] = 1

        for coin in coins:

            for x in range(1, amount + 1):

                 if x < coin: continue   # coin不能大于amount

                dp[x] += dp[x - coin]

        return dp[amount]

这个题实际上是排列问题,因为顺序不同的话视为不同的组合。

class Solution:

    def combinationSum4(self, nums: List[int], target: int) -> int:

        dp = [0] * (target + 1)        

        dp[0] = 1

        for x in range(1, target + 1):

            for num in nums:

                if x < num:continue

                dp[x] += dp[x - num]

        return dp[target]

          

参考:

https://leetcode-cn.com/problems/coin-change-2/solution/ling-qian-dui-huan-iihe-pa-lou-ti-wen-ti-dao-di-yo/

https://leetcode-cn.com/problems/coin-change-2/solution/ling-qian-dui-huan-ii-by-leetcode/

总结:

518零钱兑换2是一个组合问题,DP先遍历零钱列表,再遍历amount金额数;

def change(coins,amount):

    # 求的是组合数

    dp = [0 for _ in range(amount+1)]

    dp[0] = 1

    for coin in coins:  # 枚举硬币

        for i in range(amount + 1):  # 枚举金额

            if i < coin: continue #coin不能大于amount

            dp[i] = dp[i] + dp[i - coin]

    return dp[amount]

          

377组合个数是一个排列问题, DP先遍历amount金额数,再遍历零钱列表。

def change(coins,amount):

    # 求的是排列数

    dp = [0 for _ in range(amount+1)]

    dp[0] = 1        

    for i in range(amount + 1):  # 枚举金额

        for coin in coins:  #枚举硬币

            if i < coin: continue #coin不能大于amount

            dp[i] = dp[i] + dp[i - coin]

    return dp[amount]

举例:

在LeetCode上有两道题目非常类似,分别是

70.爬楼梯  --排列问题

518. 零钱兑换 II  -- 组合问题

如果我们把每次可走步数/零钱面额限制为[1,2], 把楼梯高度/总金额限制为3. 那么这两道题目就可以抽象成"给定[1,2], 求组合成3的组合数和排列数"。

爬台阶问题通用模板

def climbStairs(n):

    # 爬台阶问题通用模板

    dp = [0 for _ in range(n + 1)]

    dp[0] = 1

    steps = [1,2,4,5]

    for i in range(n+1):

        for j in range(len(steps)):

            if i < steps[j]: continue # 台阶少于跨越的步数

            dp[i] = dp[i] + dp[i-steps[j]]

    return dp[n]

              

经典题目  

*最长回文子串  

          

# 动态规划

# 用 P(i,j)P(i,j) 表示字符串 s的第 i 到 j 个字母组成的串(下文表示成 s[i:j])是否为回文串

class Solution:

    def longestPalindrome(self, s: str) -> str:

        n = len(s)

        dp = [[False] * n for _ in range(n)]

        ans = ""

        # 枚举子串的长度 l+1

        for l in range(n):

            # 枚举子串的起始位置 i,这样可以通过 j=i+l 得到子串的结束位置

            for i in range(n-l):

                j = i + l

                if l == 0:

                    dp[i][j] = True        

                elif l == 1:

                    dp[i][j] = (s[i] == s[j])

                else:

                    dp[i][j] = (dp[i + 1][j - 1] and s[i] == s[j])

                if dp[i][j] and l + 1 > len(ans):

                    ans = s[i:j+1]

        return ans

                  

                  

# 中心扩展法

class Solution:

    def expandAroundCenter(self, s, left, right):

        while left >= 0 and right < len(s) and s[left] == s[right]:

            left -= 1

            right += 1

        return left + 1, right - 1

                  

    def longestPalindrome(self, s: str) -> str:

        # 中心扩展法,每个字符从中心往两边扩展,分奇偶

        start, end = 0, 0

        for i in range(len(s)):

            left1, right1 = self.expandAroundCenter(s, i, i) # 以当前字符为中心

            left2, right2 = self.expandAroundCenter(s, i, i + 1) # 以当前字符与后面一个字符为中心

            if right1 - left1 > end - start:

                start, end = left1, right1

            if right2 - left2 > end - start:

                start, end = left2, right2

        return s[start: end + 1]

              

*最长有效括号  

法一:动态规划

class Solution:

    def longestValidParentheses(self, s: str) -> int:

        # 动态规划

        # dp[i] 表示以i结尾的最长有效括号长度,‘(’对应的一定是0

        n = len(s)

        if n == 0:

            return 0

        dp = [0] * n

        for i in range(1,n):

            # i- dp[i-1] -1是与当前')'对称的位置

            # dp[i-dp[i-1]-2] 表示与当前')'对称的位置前面的有效括号长度,需加上

            if s[i]==')' and i - dp[i-1] - 1>=0 and s[i - dp[i-1] - 1] == '(':

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

        return max(dp)

          

法二:栈

class Solution:

    def longestValidParentheses(self, s: str) -> int:

        # 栈来实现

        stack = [-1]

        length = 0

        max_length = 0        

        for i in range(len(s)):

            if s[i] == '(':

                stack.append(i)

            else:

                stack.pop()

                if not stack:

                # 栈为空,则添加当前右括号的索引入栈,为分割标识

                    stack.append(i)

                else:

                    length = i - stack[-1]

                    max_length = max(max_length, length)

        return max_length

          

*不同的子序列  

              

class Solution:

    def numDistinct(self, s: str, t: str) -> int:

        # S中T出现的个数

        # dp[i][j]表示t的前i个字符串可以由s的前j个字符串组成多少个

        n = len(s) # 列

        m = len(t) # 行

        dp = [[0] * (n+1) for _ in range(m+1)]

        for j in range(n+1):

            dp[0][j] = 1

        for i in range(1,m + 1):

            for j in range(1, n + 1):

                if t[i-1] == s[j-1]:

# 对应于两种情况,s选择当前字母和不选择当前字母

# s选择当前字母dp[i-1][j-1]

# s不选择当前字母 dp[i][j-1]

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

                else:

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

        return dp[-1][-1]

              

          

*最长公共子序列  

参考:https://leetcode-cn.com/problems/longest-common-subsequence/solution/dong-tai-gui-hua-zhi-zui-chang-gong-gong-zi-xu-lie/    

# 动态规划

class Solution:

    def longestCommonSubsequence(self, text1: str, text2: str) -> int:

        m = len(text1)

        n = len(text2)

        dp = [[0] * (n + 1) for _ in range(m + 1)]

        for i in range(1, m+1):

            for j in range(1, n+1):

                if text1[i-1] == text2[j-1]:

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

                else:

                    dp[i][j] = max(dp[i][j-1],dp[i-1][j])

        return dp[-1][-1]

                  

# 递归

class Solution:

    def longestCommonSubsequence(self, text1: str, text2: str) -> int:

        # 递归

        memo = {} #备忘录

        def dp(i, j):

            if i == -1 or j == -1:

                return 0

            if (i,j) in memo:

                return memo[(i,j)]

            if text1[i] == text2[j]:

                memo[(i,j)] = dp(i-1, j-1) + 1

            else:

                memo[(i,j)] = max(dp(i-1, j), dp(i,j-1))

            return memo[(i,j)]

        return dp(len(text1)-1,len(text2)-1)

          

*最长公共子串  

注意:与子序列不相同的是子串是连续的,子序列可以是不连续的。    

def LCS(s1,s2):

    #dp[i][j]表示以s1的i及s2的j结尾的最长公共子串长度

    #如果s1[i-1] != s2[j-1] 则,dp[i][j] = 0

    m = len(s1)

    n = len(s2)

    dp = [[0] *(n+1) for _ in range(m + 1)]

    maxLen = 0

    end = 0

    for i in range(1,m+1):

        for j in range(1,n+1):

            if s1[i-1] == s2[j-1]:

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

            else:

                dp[i][j] = 0

            if dp[i][j] > maxLen:

                maxLen = dp[i][j]

                end = j-1

    if maxLen == 0:

        return ''

    else:

        return s2[end - maxLen + 1:end + 1]

              

          

*最长上升子序列  

class Solution:

    def lengthOfLIS(self, nums: List[int]) -> int:

        if not nums:

            return 0

        # dp[i]表示以第i个元素结尾的最长递增子序列长度

        n = len(nums)

        dp = [1 for _ in range(n)]

        for i in range(n):

            for j in range(i):

                if nums[i] > nums[j]:

                    dp[i] = max(dp[i],dp[j] + 1)

        return max(dp)

              

**编辑距离  

class Solution:

    def minDistance(self, word1: str, word2: str) -> int:

        # DP递推方程        

        # 存储 s1[0..i] 和 s2[0..j] 的最小编辑距离

        m = len(word1)

        n = len(word2)

        dp = [[0]*(n+1) for i in range(m+1)]

        for i in range(m+1):

            dp[i][0] = i

        for j in range(n+1):

            dp[0][j] = j

        for i in range(1, m+1):

            for j in range(1,n+1):

                if word1[i-1] == word2[j-1]:

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

                else:

                    dp[i][j] = min(dp[i-1][j]+1,

                    dp[i][j-1]+1,

                    dp[i-1][j-1]+1)

        return dp[m][n]

# 递归写法

class Solution:

    def minDistance(self, word1: str, word2: str) -> int:

                  

        def dp(i,j):

            if i == -1:

                return j + 1

            if j == -1:

                return i + 1

            if (i,j) in memo:

                return memo[(i,j)]

            if word1[i] == word2[j]:

                memo[(i,j)] = dp(i-1,j-1)

            else:

                memo[(i,j)] = min(dp(i-1,j)+ 1,

                dp(i,j-1) + 1,

                dp(i-1,j-1) + 1)

            return memo[(i,j)]

        memo = {}

        res = dp(len(word1)-1,len(word2)-1)

        return res

              

最长重复子数组  

class Solution:

    def findLength(self, A: List[int], B: List[int]) -> int:

        # p[i][j] 表示 A[i:] 和 B[j:] 的最长公共前缀,那么答案即为所有 dp[i][j] 中的最大值。

        # 如果 A[i] == B[j],那么 dp[i][j] = dp[i + 1][j + 1] + 1,否则 dp[i][j] = 0。

        # 考虑到这里 dp[i][j] 的值从 dp[i + 1][j + 1] 转移得到,所以我们需要倒过来,首先计算 dp[len(A) - 1][len(B) - 1],最后计算 dp[0][0]

        n, m = len(A), len(B)

        dp = [[0] * (m + 1) for _ in range(n + 1)]

        ans = 0

        for i in range(n - 1, -1, -1):

            for j in range(m - 1, -1, -1):        

                dp[i][j] = dp[i + 1][j + 1] + 1 if A[i] == B[j] else 0

                ans = max(ans, dp[i][j])

        return ans

          

完全平方数  

class Solution:

    def numSquares(self, n: int) -> int:

        dp = [0] * (n + 1)

        for i in range(1, n + 1):

            dp[i] = i  #最坏的情况就是全是1

            j = 1

            while i - j*j >= 0:

                dp[i] = min(dp[i], dp[i - j * j] + 1)

                j += 1

        return dp[n]

              

不同路径1  

class Solution:

    def uniquePaths(self, m: int, n: int) -> int:

        dp = [[0 for i in range(n)] for _ in range(m)]

        for i in range(m):

            dp[i][0] = 1

        for j in range(n):

            dp[0][j] = 1

        for i in range(1,m):

            for j in range(1,n):

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

        return dp[-1][-1]

不同路径2    

class Solution:

    def uniquePathsWithObstacles(self, obstacleGrid: List[List[int]]) -> int:

        m = len(obstacleGrid)

        n = len(obstacleGrid[0])

        zero_loc = {(i,j) for i in range(m) for j in range(n) if obstacleGrid[i][j] == 1}

        dp = [[0] * n for i in range(m)]

        for i in range(m):

            # 初始化第一列,只要碰到一个1,那么后边都无法走到

            if obstacleGrid[i][0] == 1:

                break

            dp[i][0] = 1

        for j in range(n):

            #初始化第一行,只要碰到一个1,那么后边都无法走到

            if obstacleGrid[0][j] == 1:

                break

            dp[0][j] = 1

        for i in range(1,m):

            for j in range(1,n):

                if (i,j) in zero_loc:        

                    dp[i][j] = 0

                else:

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

        return dp[-1][-1]

                  

class Solution:

    def uniquePathsWithObstacles(self, obstacleGrid: List[List[int]]) -> int:

        m = len(obstacleGrid)

        n =len(obstacleGrid[0])

        if obstacleGrid[0][0] == 1 or obstacleGrid[-1][-1] == 1:

            return 0

        dp = [[0] * n for _ in range(m)]

        for i in range(m):

            if obstacleGrid[i][0] == 0:

                dp[i][0] = 1

            else:

                break

        for j in range(n):

            if obstacleGrid[0][j] == 0:

                dp[0][j] = 1

            else:

                break

        for i in range(1,m):

            for j in range(1,n):        

                if obstacleGrid[i][j] == 1:

                    dp[i][j] = 0

                    continue

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

        return dp[-1][-1]

          

不同路径3(回溯)  

class Solution:

    def uniquePathsIII(self, grid: List[List[int]]) -> int:

        # 注意每一个无障碍的格子都需要通过一次

        start_x = 0        

        start_y = 0

        steps = 1

        m = len(grid)

        n = len(grid[0])

        # 遍历获取起始位置和统计总步数

        for i in range(m):

            for j in range(n):

                if grid[i][j] == 1:

                    start_x = i

                    start_y = j

                    continue

                if grid[i][j] == 0:

                    steps += 1

        def DFS(x,y,cur_step, grid):

            # 排除越界的情况和遇到障碍的情况

            if x < 0 or x >= m or y < 0 or y >= n or grid[x][y] == -1:

                return 0

            if grid[x][y] == 2:

                # 走到2的位置,且步数为0,表示经过了所有的无障碍格子,是一种方案

                return 1 if cur_step == 0 else 0

            grid[x][y] = -1 # 将已经走过的标记为障碍

            res = DFS(x - 1, y, cur_step - 1, grid) + DFS(x + 1, y, cur_step - 1, grid) \

                   + DFS(x, y - 1, cur_step - 1, grid) \

                   + DFS(x, y + 1, cur_step - 1, grid)

            # 回溯

            grid[x][y] = 0

            return res

        return DFS(start_x,start_y,steps,grid)

              

零钱兑换1  

class Solution:

    def coinChange(self, coins: List[int], amount: int) -> int:

        #dp[i] = x 表示金额i最少需要x个金币

        dp = [amount + 1 for i in range(amount + 1)]

        dp[0] = 0

        for i in range(amount+1):

            for coin in coins:

                if i - coin < 0:

                    continue

                dp[i] = min(dp[i],dp[i-coin] + 1)

        if dp[amount] == amount + 1:

            return -1

        else:

            return dp[amount]

              

零钱兑换2  

class Solution:

    def change(self, amount: int, coins: List[int]) -> int:

        # 子问题:对于硬币从0到k,我们必须使用第k个硬币的时候,当前金额的组合数

        # 状态数组DP[i]表示对于第k个硬币能凑的组合数

        # 转移方程DP[i] = DP[i] + DP[i-k]

        dp = [0] * (amount + 1)

        dp[0] = 1

        for coin in coins:

            for x in range(coin, amount + 1):

                dp[x] += dp[x - coin]

        return dp[amount]

最大正方形    

class Solution:

    def maximalSquare(self, matrix: List[List[str]]) -> int:

        # 用 dp(i, j) 表示以 (i, j)为右下角,且只包含 1的正方形的边长最大值

        if len(matrix) == 0 or len(matrix[0]) == 0:

            return 0

        maxSide = 0

        rows, columns = len(matrix), len(matrix[0])

        dp = [[0] * columns for _ in range(rows)]

        for i in range(rows):

            for j in range(columns):

                if matrix[i][j] == '1':

                    if i == 0 or j == 0:

                        dp[i][j] = 1

                    else:

                        dp[i][j] = min(dp[i - 1][j], dp[i][j - 1], dp[i - 1][j - 1]) + 1

                    maxSide = max(maxSide, dp[i][j])

        maxSquare = maxSide * maxSide

        return maxSquare

              

最大矩形  

class Solution:

    def maximalRectangle(self, matrix: List[List[str]]) -> int:

        #时间复杂度 : O(NM)。每次对于N的迭代我们会对M迭代常数次

        if not matrix: return 0

        m = len(matrix)

        n = len(matrix[0])

                  

        left = [0] * n # initialize left as the leftmost boundary possible

        right = [n] * n # initialize right as the rightmost boundary possible

        height = [0] * n

        maxarea = 0

        for i in range(m):

            cur_left, cur_right = 0, n

            # update height

            for j in range(n):

                if matrix[i][j] == '1': height[j] += 1

                else: height[j] = 0

            # update left        

            for j in range(n):

                if matrix[i][j] == '1': left[j] = max(left[j], cur_left)

                else:

                    left[j] = 0

                    cur_left = j + 1

            # update right

            for j in range(n-1, -1, -1):

                if matrix[i][j] == '1': right[j] = min(right[j], cur_right)

                else:

                    right[j] = n

                    cur_right = j

            # update the area

            for j in range(n):

                maxarea = max(maxarea, height[j] * (right[j] - left[j]))

                  

        return maxarea

          

          

最大子序和  

class Solution:

    def maxSubArray(self, nums: List[int]) -> int:

        # dp[i] 表示以小标i为结尾的最大连续子序列的和dp[j] = max(nums[j],dp[j-1] + nums[j])

        if len(nums) == 0:

            return 0

        if len(nums) == 1:

            return nums[0]

        n = len(nums)        

        dp = [float('-inf')] * n

        dp[0] = nums[0]

        for j in range(1,n):

            dp[j] = max(nums[j],dp[j-1] + nums[j])

        return max(dp)

三角形最小路径和  

#法一

class Solution:

    def minimumTotal(self, triangle: List[List[int]]) -> int:

        n = len(triangle)

        f = [[0] * n for _ in range(n)]

        f[0][0] = triangle[0][0]

                  

        for i in range(1, n):        

            f[i][0] = f[i - 1][0] + triangle[i][0]

            for j in range(1, i):

                f[i][j] = min(f[i - 1][j - 1], f[i - 1][j]) + triangle[i][j]

            f[i][i] = f[i - 1][i - 1] + triangle[i][i]     

        return min(f[n - 1])

                  

#法二

class Solution:

    def minimumTotal(self, triangle: List[List[int]]) -> int:

        n = len(triangle)

        f = [0] * n

        f[0] = triangle[0][0]

                  

        for i in range(1, n):

            f[i] = f[i - 1] + triangle[i][i]

            for j in range(i - 1, 0, -1):

                f[j] = min(f[j - 1], f[j]) + triangle[i][j]

            f[0] += triangle[i][0]

        return min(f)

          

              

乘积最大子数组  

class Solution:

    def maxProduct(self, nums: List[int]) -> int:

        n = len(nums)

        if n == 0:

            return 0

        dpMax = [float('-inf')] * n  # 存储以i结尾的最大连续子数组乘积

        dpMax[0] = nums[0]

        dpMin = [float('inf')] * n # 存储以i结尾的最小连续子数组乘积,存在负负得正的情况

        dpMin[0] = nums[0]

        for i in range(1,n):

            dpMax[i] = max(dpMin[i - 1] * nums[i], dpMax[i - 1] * nums[i], nums[i])

            dpMin[i] = min(dpMin[i - 1] * nums[i], dpMax[i - 1] * nums[i], nums[i])

        return max(dpMax)

              

打家劫舍  

class Solution:

    def rob(self, nums: List[int]) -> int:

        #dp[i] 表示前 i间房屋能偷窃到的最高总金额

        #dp[i] = max(dp[i-1],dp[i-2]+nums[i]) 

        n = len(nums)

        if n==0:

            return 0

        if n==1:

            return nums[0]

        dp = [0]* n

        dp[0] = nums[0]

        dp[1] = max(nums[0],nums[1])

        for i in range(2,n):

            dp[i] = max(dp[i-1],dp[i-2]+nums[i])

        return dp[n-1]

              

最小路径和  

class Solution:

def minPathSum(self, grid: List[List[int]]) -> int:

    # dp[i][j]表示达到i,j点的最小路径和

        m = len(grid)

        n = len(grid[0])

        dp = [[0]*n for _ in range(m)]

        dp[0][0] = grid[0][0]

        for i in range(1, m):

            dp[i][0] = dp[i-1][0] + grid[i][0]

        for i in range(1, n):

            dp[0][i] = dp[0][i-1] + grid[0][i]

        for i in range(1, m):

            for j in range(1, n):

                dp[i][j] = min(dp[i][j-1], dp[i-1][j]) + grid[i][j]

        return dp[-1][-1]

              

买卖股票问题  

# 动态规划

 class Solution:

    def maxProfit(self, prices: List[int]) -> int:

        # 动态规划dp[i] 表示前 i 天的最大利润

        n = len(prices)

        if n == 0: return 0 # 边界条件

        dp = [0] * n

        minprice = prices[0]

        for i in range(1, n):

            minprice = min(minprice, prices[i])

            dp[i] = max(dp[i - 1], prices[i] - minprice)

        return dp[-1]

                  

# 方法二

def maxProfit(self, prices: List[int]) -> int:

    minprice = float('inf') # 正无穷  负无穷 float("-inf")

    maxprofit = 0

    for p in prices:

        minprice = min(minprice, p)

        maxprofit = max(maxprofit, p-minprice)

    return maxprofit

买卖股票的最佳时机2    

          

def maxProfit(self, prices: List[int]) -> int:

    #在第二次买的时候,价格其实是考虑用了第一次赚的钱去补贴一部分的

    buy_1 = buy_2 = float('inf') # 第一二次买之前的最低价

    pro_1 = pro_2 = 0

   

    for p in prices:

        buy_1 = min(buy_1, p)

        pro_1 = max(pro_1, p - buy_1)

        buy_2 = min(buy_2, p - pro_1) # p - pro_1 是用第一次的钱抵消了一部分第二次买的钱

        pro_2 = max(pro_2, p - buy_2)

    return pro_2

                  

              

使用最小花费爬楼梯  

class Solution:

    def minCostClimbingStairs(self, cost: List[int]) -> int:

        # 踏上第i级台阶的最小花费,用dp[i]表示

        # 初始条件:

        # 最后一步踏上第0级台阶,最小花费dp[0] = cost[0]。

        # 最后一步踏上第1级台阶有两个选择:

        # 可以分别踏上第0级与第1级台阶,花费cost[0] + cost[1];

        # 也可以从地面开始迈两步直接踏上第1级台阶,花费cost[1]。

        n = len(cost)

        dp = [0] * n

        dp[0], dp[1] = cost[0], cost[1]

        for i in range(2, n):

            dp[i] = min(dp[i - 2], dp[i - 1]) + cost[i]

        return min(dp[-2], dp[-1])

              

解码方法  

class Solution:

    def numDecodings(self, s: str) -> int:

        if s[0] == '0':

            return 0

        n = len(s)

        dp = [0] * (n + 1)

        dp[0] = 1

        dp[-1] = 1

        for i in range(1,n):

            # '0'只有10和20才有对应字母,不然 返回 0        

            if s[i] == '0':

                if s[i-1]=='1' or s[i-1]=='2':

                    dp[i] = dp[i-2]

                else:

                    return 0

            else:

                if s[i-1] == '1' or (s[i-1] =='2' and s[i] < '7'):

                    # i-1与i 可以结合或者分开

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

                else:

                    # i-1与i 必须分开

                    dp[i] = dp[i-1]

        return dp[-2]

              

赛车  

    

    

# 动态规划 DP

class Solution(object):

    def racecar(self, target):

        # dp[x] 表示到达位置 x 的最短指令长度

        dp = [0, 1] + [float('inf')] * target

        for t in range(2, target + 1):

            k = t.bit_length()

            if t == 2**k - 1:

                dp[t] = k

                continue

            for j in range(k - 1):

                # t - (2**(k-1)-2**j) 为剩余距离,dp[t - 2**(k - 1) + 2**j]表示这个剩余距离需要使用的最少命令数,加上已经使用的 k - 1 + j + 2

                # 由于返回使用的j不确定,因此需要通过遍历【0,k-2】确定dp[t]的最小值        

                dp[t] = min(dp[t], dp[t - 2**(k - 1) + 2**j] + k - 1 + j + 2)

            # 2**k - 1 - t 表示剩余需要按返回的距离,dp[2**k - 1 - t]表示走剩余距离需要要使用的最少命令数,加上已经使用的k+1

            dp[t] = min(dp[t], dp[2**k - 1 - t] + k + 1)

        return dp[target]

                  

# 递归写法

class Solution:

    dp = {0: 0}

    def racecar(self, target: int) -> int:

        t = target

        if t in self.dp:

            return self.dp[t]

        n = t.bit_length()

        if 2**n - 1 == t:

            self.dp[t] = n

        else:

            self.dp[t] = self.racecar(2**n - 1 - t) + n + 1

            for m in range(n - 1):

                self.dp[t] = min(self.dp[t], self.racecar(t - 2**(n - 1) + 2**m) + n + m + 1)

        return self.dp[t]

          

              

播放列表的数量  

class Solution:

    def numMusicPlaylists(self, N: int, L: int, K: int) -> int:

        mod = 10 ** 9 + 7

        # dp[i][j] 表示用j首不同的歌填充长度为i的歌单数目

        dp = [[0] * (N + 1) for _ in range(L + 1)]

        dp[0][0] = 1

        for i in range(1, L + 1):

            for j in range(1, N + 1):

                # 分成两种情况,我们可以播放没有播放过的歌也可以是播放过的

                # 如果当前的歌和前面的都不一样,歌单前i-1首歌只包括了j-1首不同的歌曲,

                # 那么当前的选择有dp[i-1][j-1] * (N-j+1)

                # 如果不是,那么就是选择之前的一首歌,之前最近的K首是不能选的,只能选择j-K前面的歌曲,(j 首歌,最近的 K 首不可以播放)

                # 所以选择就是dp[i-1][j] * max(0, j-K)        

                dp[i][j] = (dp[i-1][j-1] * (N - j + 1) + dp[i-1][j] * max(0, j - K)) % mod

        return dp[-1][-1]

   

关于本篇文章大家有任何建议或意见,欢迎在评论区留言交流!

觉得不错的小伙伴,感谢点赞、关注加收藏哦!

欢迎关注下方GZH:阿旭算法与机器学习,发送:【动态规划】,即可获取原版文档。欢迎小伙伴共同学习交流~

          

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/228240.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

DevOps持续交付之容器化CICD流水线

DevOps持续交付 随着DevOps⼤规模化的落地和应⽤&#xff0c;持续集成以及持续交付已经是⼀种常态的。CI指的是持续集成&#xff0c;使⽤的开源⼯具是Jenkins&#xff0c;CD指的是持续交付和持续部署&#xff0c;⼀个完整的软件开发⽣命周期为: 主要流程可以具体为: 构建阶段…

【K8S 部署】基于kubeadm搭建Kurbernetes集群

目录 一、基本架构 二、环境准备: 三、安装部署 1、所有节点安装docker 2、、所有节点安装kubeadm&#xff0c;kubelet和kubectl 3、配置网络--flannel 4、测试 pod 资源创建 四、安装部署与k8s集群对接的Harbor仓库 五、Dashboard安装部署&#xff1a; 一、基本架构…

mac 生成 本地.ssh

输入下面命令行 ssh-keygen 默认回车得到下面的 Generating public/private rsa key pair. Enter file in which to save the key (/Users/{用户名}/.ssh/id_rsa): Enter passphrase (empty for no passphrase): Enter same passphrase again: Your identification has be…

论文阅读——SG-Former

SG-Former: Self-guided Transformer with Evolving Token Reallocation 1. Introduction 方法的核心是利用显著性图&#xff0c;根据每个区域的显著性重新分配tokens。显著性图是通过混合规模的自我关注来估计的&#xff0c;并在训练过程中自我进化。直观地说&#xff0c;我们…

文件监控-IT安全管理软件

文件监控和IT安全管理软件是用于保护企业数据和网络安全的工具。这些工具可以帮助企业监控文件的变化&#xff0c;防止未经授权的访问和修改&#xff0c;并确保数据的安全性和完整性。 一、具有哪些功能 文件监控软件可以实时监控文件系统的活动&#xff0c;包括文件的创建、修…

C++继承与派生——(8)多继承

归纳编程学习的感悟&#xff0c; 记录奋斗路上的点滴&#xff0c; 希望能帮到一样刻苦的你&#xff01; 如有不足欢迎指正&#xff01; 共同学习交流&#xff01; &#x1f30e;欢迎各位→点赞 &#x1f44d; 收藏⭐ 留言​&#x1f4dd; 苦难和幸福一样&#xff0c;都是生命盛…

接入Cloudflare后Nginx和Django获取用户真实IP的办法

可以用Nginx的real_ip的相关命令来实现这个需求。 01-real_ip命令集详解 real_ip命令的使用分为两个步骤: 01-1-设置从哪些代理IP获取真实IP 第1个步骤&#xff1a;通过set_real_ip_from命令设置从哪些代理IP请求获取真实的IP,比如下面的命令&#xff1a; set_real_ip_from…

深入解析泛型

一、泛型的诞生 在C#1 中我们还没有泛型的时候我们收集数据通常需要使用到数组&#xff0c;或者使用封装好的数组集合Hashtable ArrayList。 举个例子&#xff1a; 我们在读取文件的时候就会需要一个数组来储存读取的数据的内容 但我们并不知数据的具体长度也就无法在声明的…

信息安全概论考试题目

文章目录 一、计算题二、网络安全协议应用(30 分)三、材料分析(15 分)四、系统安全配量(共 15 分) 一、计算题 1、Playfair 算法属于经典对称加密方式。曾经在相当长的一段时期内&#xff0c;Playfair算法被认为是一种牢不可破的加密方法。现有明文 introduction to informati…

python使用openpyxl操作excel

文章目录 前提读取已有excel创建一个excel工作簿对象创建excel工作簿中的工作表获取工作表第一种&#xff1a;.active 方法第二种&#xff1a;通过工作表名获取指定工作表​​​​​​第三种&#xff1a;.get_sheet_name() 修改工作表的名称数据操作写入数据按单元格写入通过指…

Java 基础学习(十九)网络编程、反射

1 Socket编程 1.1 Socket编程概述 1.1.1 Socket简介 在网络编程中&#xff0c;Socket&#xff08;套接字&#xff09;是一种抽象概念&#xff0c;它用于在不同计算机之间进行通信。Socket可以看作是一种通信的端点&#xff0c;可以通过Socket与其他计算机上的程序进行数据传…

2021-06-21 C51的模拟羽毛球游戏设计

缘由C51的模拟羽毛球游戏设计求解_嵌入式-CSDN问答 #include "REG52.h" sbit K2 P1^6; sbit K1 P1^7; bit k1; unsigned char code SmZiFu[]{63,6,91,79,102,109,125,7,127,111,128};//0-9. unsigned char Js0,fen0;//中断计时 unsigned int miao8,dfj0,dfy0; voi…

计算机科学速成课【学习笔记】(2)——电子计算机

本集课程B站链接 2. 电子计算机-Electronic Computing_哔哩哔哩_bilibili2. 电子计算机-Electronic Computing是【计算机科学速成课】[40集全/精校] - Crash Course Computer Science的第2集视频&#xff0c;该合集共计40集&#xff0c;视频收藏或关注UP主&#xff0c;及时了…

FA模板制作流程

1、FA模板制作的流程&#xff08;完整复制模板制作&#xff09; 总结&#xff1a; FA完整复制云桌面模板流程&#xff1a; 1、安装一个全新的Windows&#xff0c;挂载并安装tools 2、关闭防火墙、启动administrator本地超管用户 3、挂载FusionAccess_WindowsDesktop_Instal…

SpringBoot实用篇

SpringBoot实用篇 1、热部署 什么是热部署&#xff1f; 所谓热部署&#xff0c;就是在应用正在运行的时候升级软件&#xff0c;却不需要重新启动应用。对于Java应用程序来说&#xff0c;热部署就是在运行时更新Java类文件。 热部署有什么用&#xff1f; 节约时间&#xff0c;热…

以太网转RS485通讯类库封装

最近选用有人科技的以太网转RS485模块做项目&#xff0c;设备真漂亮&#xff0c;国货之光。调通了通讯的代码&#xff0c;发到网上供大家参考&#xff0c;多多交流。 以下分别是配套的头文件与源文件&#xff1a; /*******************************************************…

【Leetcode】1154. 一年中的第几天

文章目录 题目思路代码 题目 1154. 一年中的第几天链接 思路 题目要求是给定一个字符串 date&#xff0c;它代表一个日期&#xff0c;采用标准的 YYYY-MM-DD 格式。需要计算这个日期是当年的第几天。 首先&#xff0c;我们可以通过字符串的索引来提取年、月和日的数值&…

2023-12-23 LeetCode每日一题(移除石子使总数最小)

2023-12-23每日一题 一、题目编号 1962. 移除石子使总数最小二、题目链接 点击跳转到题目位置 三、题目描述 给你一个整数数组 piles &#xff0c;数组 下标从 0 开始 &#xff0c;其中 piles[i] 表示第 i 堆石子中的石子数量。另给你一个整数 k &#xff0c;请你执行下述…

Centos7:Jenkins+gitlab+node项目启动(2)

Centos7&#xff1a;Jenkinsgitlabnode项目启动(1) Centos7&#xff1a;Jenkinsgitlabnode项目启动(1)-CSDN博客 Centos7&#xff1a;Jenkinsgitlabnode项目启动(2) Centos7&#xff1a;Jenkinsgitlabnode项目启动(2)-CSDN博客 Centos7&#xff1a;Jenkinsgitlabnode项目启…

爬虫工作量由小到大的思维转变---<第三十章 Scrapy Redis 第一步(配置同步redis)>

前言: 要迈向scrapy-redis进行编写了;首要的一步是,如何让他们互通?也就是让多台电脑连一个任务(这后面会讲); 现在来做一个准备工作,配置好redis的同步!! 针对的是windows版本的redis同步,实现主服务和从服务共享一个redis库; 正文: 正常的redis for windows 的安装这里就…