算法与数据结构——这张图说尽动态规划算法

前言

算法中有个专题，动态规划，它十分的重要，大厂面试中或多或少有所涉及，来网易之前，刷了部分dp，这次正好再次梳理一遍，希望对你们有一点点帮助。

如果你已经懂了dp思路，或者已经掌握了常见的dp解法，可以直接跳过。

如果你还不了解，或者知道动态规划，但是还没有开始刷题的话，可能这篇文章适合你。

点击链接c/c++ linux技术分享扫码加群即可获得更多脑图和视频电子书资料

脑图

 

---

如果觉得看完文章有所收获的话，可以关注我一下哦
知乎：秃顶之路 
b站：linux亦有归途 
每天都会更新我们的公开课录播以及编程干货和大厂面经
或者直接点击链接
c/c++ linux服务器开发高级架构师
来课堂上跟我们讲师面对面交流
需要大厂面经跟学习大纲的小伙伴可以加群973961276获取

---

什么是动态规划

动态规划（Dynamic Programming），因此常用 DP 指代动态规划。动态规划，首先我们得清楚，它的概念是啥，它能解决什么问题，维基百科对它的解释

动态规划在寻找有很多重叠子问题的情况的最佳解时有效。它将问题重新组合成子问题，为了避免多次解决这些子问题，它们的结果都逐渐被计算并被储存，从简单的问题直到整个问题都被解决。因此，动态规划储存递归时的结果，因而不会在解决同样的问题时花费时间。

动态规划只能应用于有最佳子结构的问题。最佳子结构的意思是局部最佳解能决定全域最佳解（对有些问题这个要求并不能完全满足，故有时需要引入一定的近似）。简单地说，问题能够分解成子问题来解决。

我稍微总结一下

• 将一个大的问题拆分成一个个子问题，我们把它称之为子结构。
• 每个最优解，也就是最优值均由[这些小规模子问题]推到而来。
• 更重要的就是利用历史记录，来避免我们重复的计算。

什么是重复计算，那怎么样可以利用历史记录来减少我们不必要的运算呢

我们拿斐波那契数列这题来看

如果我们按照这个递归的写法来看，那么它的过程如下

它会多次计算结果，这个符合动态规划的点，动态规划在寻找有很多重叠子问题的情况的最佳解时有效。而且对于这个问题而言，它可以继续去拆分，变成更小的子问题去解决，它也符合动态规划的预期。

那么这里只是举个例子，后续会将做题思路

动态规划解题三大步骤

对于初学者而言，需要短时间就掌握的话，我觉得挺难的，所以这里我推荐大家可以看看经典的动态规划背包九讲，点这里，看完它，或许对你有点帮助吧。

解题思路，三大步骤

1. 状态定义
2. 列出状态转移方程
3. 初始化状态

• • *

状态定义

• 我们需要借助数组来保存之前计算的结果，所以一般采用的就是数组来维护我们的结果，一般dp数组。
• dp数组的含义一定要明确，也就是说，dp[i]表达是啥意思，举个例子，dp[i]表达到达第i个阶梯时的方案数。
• • *

列出状态转移方程

• 通俗易懂的话，找出数组间关系式，这个时解决动态规范问题中，最难也是最重要的一步。
• 通常情况而言，dp[i]个状态的转移方程，跟dp[i-1] 与 dp[i-2] 之间存在某种联系。

举个例子，后续爬梯子的题目中，状态转移方程

dp[i] = dp[i-1] + dp[i-2]
复制代码

• 首先dp[i] 表示的就到第i个阶梯的方案数

• 那么爬到第i阶梯，有两种情况

  • 从第i-1阶梯再爬1阶就到第i阶
  • 从第i-2阶梯再爬2阶就到第i阶
• 那么它的状态方程转移就是上面的式子
• • *

初始化状态

• 我们会发现，dp数组的第n项结果，是由状态转移方程求解而言的，所以我们需要的是第n-1项，n-2项，或者n-3项的值。
• 这个时候，我们就需要初始话dp数组的值，一般而言，比如dp[1],dp[2],dp[1][1],dp[1][2]。

从上面的场景，爬楼梯来说，我们需要初始话哪一项dp数组呢，当我们依次迭代到dp[3] = dp[1] + dp[2]，接下来就不再需要去分解了。

这个时候，我们实际意义而言，就需要我们去初始化，dp[1]和dp[2]数组。

---

动态规划分类

这么久以来，随着动态规划这种算法思路被很多牛人去探索，动态规划这类问题，被分为了很多种，参考网上的资料，列举了几个常见的dp，我们接下来看看吧。

我的经验之谈，按照不同dp专题来刷，效果很明显，当然了，具体看你自己掌握情况，以及刷题速度了。

背包dp

这算是状态规划中比较经典的题目了，对于理解dp的话，我个人觉得很有帮助，也是我入门dp最开始看的专题

dd大牛的《背包九讲》 ，可以看看这篇，这里就不展开了。

这里推荐几道题

• 分割等和子集- 01背包
• 目标和 - 01背包-求方案数
• 零钱兑换 - 完全背包
• 零钱兑换- II (完全背包-求方案数)
• 一和零 - (二维费用背包)
• • *

线性dp

• 顾名思义，线性DP就是在一条线上进行DP。
• 或者我的理解是，就是在线性空间上的递推。

这里推荐几道题

• 最长上升子序列
• 三角形最小路径和
• 最长公共子序列
• 最大子序和
• 俄罗斯套娃信封问题
• • *

区间dp

• 顾名思义，在一段区间上dp，类似于dp[l][r]构成的，我们也是将大问题拆分成小问题来处理，这里就是拆分成小区间来处理。
• 然后对小区间处理后，再回溯的求出大区间的值。
• 主要的方法有两种，记忆化搜索和递推。

这里推荐几道题

• 最长回文子序列
• 统计不同回文子序列
• 多边形三角剖分的最低得分
• 戳气球
• 奇怪的打印机
• • *

树形dp

• 准确的来说，树形dp准确的说是一种dp的思想，将dp建立在树状结构的基础上。
• 你可以理解成，在一颗树上定义dp方程式，完成相应的操作。

这里推荐几道题

• 打家劫舍 III
• 时态同步
• 选课
• 二叉树中的最大路径和
• 二叉树的直径
• 战略游戏
• • *

数位dp

• 数位dp是一种计数用的dp，一般就是要统计一个区间[le,ri]内满足一些条件数的个数。
• 所谓数位dp，字面意思就是在数位上进行dp咯。
• 数位还算是比较好听的名字，数位的含义：一个数有个位、十位、百位、千位......数的每一位就是数位啦！

这里推荐几道题

• 数字 1 的个数
• 最大为 N 的数字组合
• 可被 K 整除的最小整数

我印象中，这个是模板，自己写很难，但是这是个板子题，哈哈哈，打过Acm都知道，这里就不展开了。

---

状态压缩DP 计数型DP 递推型DP 概率型DP 博弈型DP，嗯太多了，只当是抛砖引玉吧。

3个例子

接下来，我们就以三题为例子，来强化我们解题思路的三大步骤吧

爬楼梯⭐

链接： 爬楼梯

假设你正在爬楼梯。需要 n 阶你才能到达楼顶。

每次你可以爬 1 或 2 个台阶。你有多少种不同的方法可以爬到楼顶呢？

注意：给定 n 是一个正整数。

示例 1：

1. 输入： 2
   输出： 2
   解释： 有两种方法可以爬到楼顶。
      
   1.  1 阶 + 1 阶

复制代码
```

示例 2：

1. 输入： 3
   输出： 3
   解释： 有三种方法可以爬到楼顶。
      
   1.  1 阶 + 1 阶 + 1 阶
   2.  1 阶 + 2 阶

复制代码
```

---

我们按照解题思路走一遍

第一步：状态定义

dp[i] 表示的含义:到第i阶方案数

第二步： 确定状态转移方程

根据实际的情况，我们很容易想到

• 到第i阶梯有两种方式
• 第一种, 从i-1向上走一步即可
• 第二中，从i-2向上走二步即可
• 所以 dp[i] = dp[i-1] + dp[i-2]

第三步,初始化状态，dp数组

dp[1] = 1,dp[2] = 2
复制代码

按照这个三步走的话，我们就可以写出完整的解题代码

代码

 

代码点这里☑️

---

打家劫⭐⭐

链接： 打家劫舍 II

你是一个专业的小偷，计划偷窃沿街的房屋，每间房内都藏有一定的现金。这个地方所有的房屋都围成一圈，这意味着第一个房屋和最后一个房屋是紧挨着的。同时，相邻的房屋装有相互连通的防盗系统，如果两间相邻的房屋在同一晚上被小偷闯入，系统会自动报警。

给定一个代表每个房屋存放金额的非负整数数组，计算你在不触动警报装置的情况下，能够偷窃到的最高金额。

示例 1:

输入: [2,3,2]
输出: 3
解释: 你不能先偷窃 1 号房屋（金额 = 2），然后偷窃 3 号房屋（金额 = 2）, 因为他们是相邻的。
复制代码

示例 2:

输入: [1,2,3,1]
输出: 4
解释: 你可以先偷窃 1 号房屋（金额 = 1），然后偷窃 3 号房屋（金额 = 3）。
     偷窃到的最高金额 = 1 + 3 = 4 。
复制代码

---

我们按照解题思路走一遍

第一步：状态定义

// 这里就利用二维状态,既然可以选择偷或者是不偷

// dp[i][0] 表示不偷当前第i个房间,获取最高金币数

// dp[i][1] 表示的是偷第i房间,获取最高金币数
复制代码

第二步： 确定状态转移方程

// 第i个房间偷的话,dp[i][1] = nums[i] + dp[i-1][0]
// 第i个房间不偷的话, dp[i][0] = Math.max(dp[i-1][0],dp[i-1][1])
复制代码

第三步,初始化状态，dp数组

// dp[0][0] = 0
// dp[0][1] = nums[0]
复制代码

但是这个题目的难点在于

第一个房子跟最后一个房子是挨着的，意味着我们需要做些改变，这个我也是在提示下完成的，写法很巧妙，我们具体看下代码下

按照这个三步走的话，我们就可以写出完整的解题代码

 

代码点这里☑️

---

买卖股票的最佳时机 IV⭐⭐⭐

给你一个二叉树，请你返回其按 层序遍历 得到的节点值。 （即逐层地，从左到右访问所有节点）。

链接： 买卖股票的最佳时机 IV

---

给定一个数组，它的第 i 个元素是一支给定的股票在第 i 天的价格。

设计一个算法来计算你所能获取的最大利润。你最多可以完成 k 笔交易。

注意: 你不能同时参与多笔交易（你必须在再次购买前出售掉之前的股票）。

示例 1:

输入: [2,4,1], k = 2
输出: 2
解释: 在第 1 天 (股票价格 = 2) 的时候买入，在第 2 天 (股票价格 = 4) 的时候卖出，这笔交易所能获得利润 = 4-2 = 2 。
复制代码

示例 2:

输入: [3,2,6,5,0,3], k = 2
输出: 7
解释: 在第 2 天 (股票价格 = 2) 的时候买入，在第 3 天 (股票价格 = 6) 的时候卖出, 这笔交易所能获得利润 = 6-2 = 4 。
     随后，在第 5 天 (股票价格 = 0) 的时候买入，在第 6 天 (股票价格 = 3) 的时候卖出, 这笔交易所能获得利润 = 3-0 = 3 。
复制代码

来源：力扣（LeetCode） 链接：https://leetcode-cn.com/probl... 著作权归领扣网络所有。商业转载请联系官方授权，非商业转载请注明出处。

第一步：状态定义

 // 可以定义如下
 // dp[i][j][0] 表示第i天交易了j次时卖出后的累计最大利润
 //  dp[i][j][1] 表示第i天交易了j次时买入后的累计最大利润
复制代码

第二步： 确定状态转移方程

 // 第二步：确定状态转移方程
 // dp[i][j][0] 当第i天不持股的话，我们需要确定昨天是否持有股票
 // dp[i][j][0] = max(dp[i - 1][j][0], dp[i - 1][j][1] + prices[i])
 // dp[i][j][1] 同样的第i天,我们需要去确定昨天是否持有股票
 // dp[i][j][1] = max(dp[i - 1][j][1], dp[i - 1][j - 1][0] - prices[i])
复制代码

第三步,初始化状态，dp数组

// 所有不持股的状态值初始化的时候为 0。所有持股的状态值都设置为一个很大的负数（至少应该是最大的股价的负数 - 1），表示未知。
// dp[0][j][0] = 0;
// dp[0][j][1] = -prices[i];
复制代码

但是这个题目的难点在于

当k大于len/2的时候，我们需要做一个处理，或者说，我们需要利用状态压缩，好难，我们看看该如何写吧

---

进阶题目汇总

以下是我收集的部分题目，希望对你们有帮助。

简单

• 爬楼梯
• 打家劫舍
• 使用最小花费爬楼梯
• 连续数列
• 三步问题
• • *

中等

• 打家劫舍 II
• 最佳买卖股票时机含冷冻期
• 打家劫舍 III
• 不同路径
• 不同路径 II
• 最长上升子序列
• • *

困难

• 买卖股票的最佳时机 III
• 买卖股票的最佳时机 IV
• 青蛙过河
• 单词拆分 II
• 最大子矩阵

---

感谢大家看到这里，如果意犹未尽的话可以看看我的其他文章哦