【数据结构与算法】之动态规划经典问题

前言

在这里插入图片描述

本文为 【数据结构与算法】动态规划 经典问题相关介绍 ,具体将对最长递增子序列问题,找零钱问题,0-1背包问题相关动态规划算法问题进行详尽介绍~

博主主页:小新要变强 的主页
Java全栈学习路线可参考:【Java全栈学习路线】最全的Java学习路线及知识清单,Java自学方向指引,内含最全Java全栈学习技术清单~
算法刷题路线可参考:算法刷题路线总结与相关资料分享,内含最详尽的算法刷题路线指南及相关资料分享~
Java微服务开源项目可参考:企业级Java微服务开源项目(开源框架,用于学习、毕设、公司项目、私活等,减少开发工作,让您只关注业务!)


目录

文章标题

  • 前言
  • 目录
  • 一、最长递增子序列
  • 二、找零钱问题
  • 三、0-1背包问题
  • 后记

在这里插入图片描述
动态规划(Dynamic Programming)相关问题的一般形式是求最值,比如最长递增子序列等,动态规划的核心问题是【穷举】。因为在求最值的过程中,我们需要求出一系列可行的值,再从可行值之中选择出目标答案。

动态规划的 【穷举】 中,会产生很多很多重复计算,所以,我们可能需要一个“备忘录”保存重复计算的结果,同时,我们需要一个DP table来优化穷举的过程,记录子问题的结果,相关内容在递归算法篇章的斐波那契数列中见到过。

动态规划的三要素如下:

  • (1)重叠子问题,子问题的就算方式大致相同。
  • (2)复合最优子结构,问题的最优解包含子问题的最优解。反过来说就是,我们可以通过子问题的最优解,推导出问题的最优解。
  • (3)状态转移方程,怎么从子问题最优解推倒当前问题的最优解。

下面我们对经典的动态规划问题进行介绍~

一、最长递增子序列

题目: 给定一个无序的序列,求解它的【最长递增子序列】的长度。方法签名:int lengthOfLIS(int[] nums)

注意:【子序列】和【子串】是不一样的,【子序列】是可以不连续的,但是子串必须是连续的。

举例: nums[] = {3,·1,4,1,5,9,2,6,5} 的最长递增子序列长度为4,结果返回4即可,此时的为子序列:1,4,5,9。

在使用【动态规划】方案解决该问题的时候,我们需要首先思考的是,怎么去设计一个dp数组,用来存放各个子问题的结果。

在这道题中,我们想:

  • (1)【宏观问题】是这个数组中存在的【最长子序列】。
  • (2)将其拆分成【子问题】就是,枚举出【从零到每一个位置】的最长递增序列,这也是我们所需要定义的一个dp数组。
  • (3)dp数组保存了所有的计算结果,最后在dp数组中找最值就可以了。

【数据结构与算法】之动态规划经典问题_第1张图片

基于以上考虑,我们需要抽离一个共有的方法,就是【查找子序列】。

代码如下:

public class LengthOfLIS {

    public static void main(String[] args) {
        int i = lengthOfLIS(new int[]{1, 4, 2, 4, 6, 7, 8,4,23});
        System.out.println(i);
    }

    public static int lengthOfLIS(int[] nums){
        if(nums.length <= 0){
            return 0;
        }
        int[] dp = new int[nums.length];

        // 对给定数组进行逐一遍历,确定每个位置上的最长递增子序列
        for (int i = 0; i < nums.length; i++) {
            // 先给dp数据当前位置初始化,因为最短的长度就是1
            dp[i] = 1;
            // 确定当前的长度时,需要对前边已经计算的结果进行扫描
            for (int j = 0; j < i; j++){
                // 如果遇到比前边某一个位置的数字大,说明在之前的位置上,递增序列会被延长
                if(nums[i] > nums[j]){
                    // 同时比较当前位置和最大子序列的长度,目的是取最大值
                    if(dp[i] < dp[j] +1){
                        dp[i] = dp[j] + 1;
                    }
                }
            }
        }
        Arrays.sort(dp);
        return dp[dp.length-1];
    }
}

二、找零钱问题

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 。算法的函数签名:int coinChange(int[] coins, int amount);(coins 中是可选硬币面值,amount 是目标金额)。

比如说 k = 3,面值分别为 1,2,5,总金额 amount = 11。那么最少需要 3 枚硬币凑出,即 11 = 5 + 5 + 1。

你认为计算机应该如何解决这个问题?显然,就是把所有肯能的凑硬币方法都穷举出来,然后找找看最少需要多少枚硬币。

首先,这个问题是【动态规划问题】,因为它具有【最优子结构】的。要符合「最优子结构」,子问题间必须互相独立。啥叫相互独立?

回到凑零钱问题,为什么说它符合最优子结构呢?

我们想知道总金额11需要最少几枚硬币,只需知道总结额为 10,9,6(总额减去一枚硬币面额的值)这几种情况下所需要的硬币的数量,然后找一个小的加1即可,这个过程是可以进行递归处理的,如下图:

【数据结构与算法】之动态规划经典问题_第2张图片

重叠子问题: 当总额为0,1…amount时,分别最少需要多少枚硬币,因为当amount=0,时结果必为0。
符合最优子结构: 子问题amount所需硬币的最小值就是我们要的结果。
状态转移方程:
f ( n ) = { 0 , n = 0   − 1 , n < 0 m i n ( f ( n − c o i n ) ) + 1 , n > 0 f(n)=\begin{cases} 0,n=0\ -1,n<0 \\ min(f(n-coin))+1,n>0 \end{cases} f(n)={0,n=0 1,n<0min(f(ncoin))+1,n>0

代码如下:

    /**
     * 计算出能组成总金额的最少硬币数量
     * @param coins    给定的硬币的面额
     * @param amount   给定的总金额
     * @return         最少的硬币数量
     */
    public static int coinChange(int[] coins, int amount){
        if(amount == 0) return 0;
        if(amount < 0) return -1;

        // 核心:
        // 1、求总金额为16的结果 【1,3,5】
        // 2、【1】找到15的最优解+1   ---- 【3】找到13的最优解+1  ----- 【5】找到11的最优解+1
        // 3、取最小值
        int result = Integer.MAX_VALUE;
        for (int i = 0; i < coins.length; i++) {
            int subMin = coinChange(coins, amount - coins[i]);
            // 如果最优解不存在 -1 继续
            if (subMin == -1) continue;
            if(subMin + 1 < result){
                result = subMin +1;
            }
        }
        return result == Integer.MAX_VALUE ? -1 : result;

    }

在此过程中,我们确实会出现很多的重复子问题计算,我们需要使用一个memo备忘录进行记录。

private static int changeCoin2(int[] coins,int amount,int[] memo){
    if (amount == 0) return 0;
    if (amount < 0) return -1;
    int res = Integer.MAX_VALUE;

    for (int i = 0; i < coins.length; i++) {
        // 遍历子问题,假设amount为10元,如果有了一个2元,剩下的8元最少需要几个呢?,子问题就是8元所需要的个数
        // 同理8元所需要的个数可以使用递归完成
        int subProblem = Integer.MAX_VALUE;
        if(amount-coins[i] >= 0 && memo[amount-coins[i]] != 0){
            subProblem = memo[amount-coins[i]];
        } else {
            subProblem = changeCoin2(coins,amount-coins[i],memo);
        }

        // 子问题有误解的时候,比如子问题的金额小于硬币的最小金额
        if(subProblem == -1) continue;
        // 我们的最优结果就是,最优的子问题的最优解+1
        res = Math.min(res,1 + subProblem) != Integer.MAX_VALUE ? Math.min(res,1 + subProblem):-1;
    }
    memo[amount] = res;
    return res;
}

最后比较一下有【备忘录】和没有【备忘录】的性能差异:

public class Change {
	...
    public static void main(String[] args) {

        long start = System.currentTimeMillis();
        System.out.println(changeCoin2(new int[]{1,2,3},100,new int[100+1]));
        long end = System.currentTimeMillis();
        System.out.println(end - start);

        start = System.currentTimeMillis();
        System.out.println(changeCoin(new int[]{1,2,3},100));
        end = System.currentTimeMillis();
        System.out.println(end -start);
    }
}

三、0-1背包问题

【数据结构与算法】之动态规划经典问题_第3张图片
题目: 有一个容量为 V 的背包,和一些物品。这些物品分别有两个属性,体积 w 和价值 v,每种物品只有一个。要求用这个背包装下价值尽可能多的物品,求该最大价值,背包可以不被装满。

0-1背包问题: 在最优解中,每个物品只有两种可能的情况,即在背包中或者不在背包中(背包中的该物品数为0或1),因此称为0-1背包问题。

子问题: 子问题必然是和物品有关的,对于每一个物品,有两种结果:能装下或者不能装下。

  • 第一,包的容量比物品体积小,装不下,这时的最大价值和前i-1个物品的最大价值是一样的。
  • 第二,还有足够的容量装下该物品,但是装了不一定最大价值,所以要进行比较。由上述分析,子问题中物品数和背包容量都应当作为变量。

因此,子问题确定为背包容量为j时,求前i个物品所能达到最大价值。

确定状态: 由上述分析,“状态”对应的“值”即为背包容量为j时,求前i个物品所能达到最大价值,设为dp[i][j]。初始时,dp[0][0]为0,没有物品也就没有价值。

确定状态转移方程: 由上述分析,第i个物品的体积为w,价值为v,则状态转移方程为 f ( n , v ) = { f ( n − 1 , v ) , w e i g h t [ i ] > j ( 装 不 下 ) M a t h . m a x ( f ( i − 1 , j − w e i g h t [ i ] ) + v a l u e [ i ] , f ( i − 1 , j ) ) , w e i g h t [ i ] < = j ( 可 以 装 下 ) f(n,v)=\begin{cases} f(n-1,v), weight[i] > j(装不下) \\ Math.max(f(i - 1,j - weight[i]) + value[i], f(i - 1,j)) ,weight[i] <= j(可以装下) \end{cases} f(n,v)={f(n1,v),weight[i]>jMath.max(f(i1,jweight[i])+value[i],f(i1,j)),weight[i]<=j

我们很多时候,会看到为了解决这个问题会列出一个表格:

价值 重量 0 1 2 3 4 5 6 7 8 9 10
3 2 0 0 3 3 3 3 3 3 3 3 3
4 3 0 0 3 4 4 7 7 7 7 7 7
5 4 0 0 3 3 5 7 (3+5)8
8 5 0
10 9 0

代码如下:

public class ZeroOnePackage {

    public static void main(String[] args) {
        int num = 5;   //物品有五件
        int capacity = 10;  //背包容量为20
        int[] weight = {2, 3, 4, 5, 9};   //重量 2 3 4 5 9
        int[] value = {3, 4, 5, 8, 10};   //价值 3 4 5 8 10
        int maxValue = zeroOnePackage(weight, value, num, capacity);
        System.out.println(maxValue);
    }
    
    public static int zeroOnePackage(int[] weight,int[] value,int num,int capacity) {
        // dp[i][j]意思是:背包容量为j时,在前i件物品中取小于等于i件物品,此时取得的物品的价值最大
        // capacity为3时需要判断 0,1,2,3的最优解,所以二位数组的容量是capacity +1
        int[][] dp = new int[num][capacity +1];
        // 循环遍历,所有的物品
        for (int i = 1; i < num; i++) {
            // 尝试获取
            for (int j = 1; j <= capacity; j++) {
                // 如果重量比当前测试的包的容量的还大,必然装不下去
                if (weight[i] > j) {
                    // 当前的最优解就是之前的最优解
                    dp[i][j] = dp[i - 1][j];
                } else {
                    // 如果能放进去,先要腾出相应的空间,加上当前的重量的价值
                    // 然后对比上一个最优解,取最大的
                    // 拿:dp[i-1][j-weight[i]]+value[i]   不拿: dp[i-1][j]
                    dp[i][j] = Math.max(dp[i - 1][j - weight[i]] + value[i], dp[i - 1][j]);
                }
            }
        }
        return dp[num-1][capacity];
    }
}

完全背包(unbounded knapsack problem)与01背包不同就是每种物品可以有无限多个:一共有N种物品,每种物品有无限多个,第i(i从1开始)种物品的重量为w[i],价值为v[i]。在总重量不超过背包承载上限W的情况下,能够装入背包的最大价值是多少?

多重背包(bounded knapsack problem)与前面不同就是每种物品是有限个:一共有N种物品,第i(i从1开始)种物品的数量为n[i],重量为w[i],价值为v[i]。在总重量不超过背包承载上限W的情况下,能够装入背包的最大价值是多少?


后记

在这里插入图片描述

Java全栈学习路线可参考:【Java全栈学习路线】最全的Java学习路线及知识清单,Java自学方向指引,内含最全Java全栈学习技术清单~
算法刷题路线可参考:算法刷题路线总结与相关资料分享,内含最详尽的算法刷题路线指南及相关资料分享~

你可能感兴趣的:(数据结构和算法,动态规划,java,算法)