动态规划
动态规划就像是解决问题的一种策略,它可以帮助我们更高效地找到问题的解决方案。这个策略的核心思想就是将问题分解为一系列的小问题,并将每个小问题的解保存起来。这样,当我们需要解决原始问题的时候,我们就可以直接利用已经计算好的小问题的解,而不需要重复计算。
动态规划与数学归纳法思想上十分相似。
数学归纳法:
-
基础步骤(base case):首先证明命题在最小的基础情况下成立。通常这是一个较简单的情况,可以直接验证命题是否成立。
-
归纳步骤(inductive step):假设命题在某个情况下成立,然后证明在下一个情况下也成立。这个证明可以通过推理推断出结论或使用一些已知的规律来得到。
通过反复迭代归纳步骤,我们可以推导出命题在所有情况下成立的结论。
动态规划:
-
状态表示:
-
状态转移方程:
-
初始化:
-
填表顺序:
-
返回值:
数学归纳法的基础步骤相当于动态规划中初始化步骤。
数学归纳法的归纳步骤相当于动态规划中推导状态转移方程。
动态规划的思想和数学归纳法思想类似。
在动态规划中,首先得到状态在最小的基础情况下的值,然后通过状态转移方程,得到下一个状态的值,反复迭代,最终得到我们期望的状态下的值。
接下来我们通过三道例题,深入理解动态规划思想,以及实现动态规划的具体步骤。
879. 盈利计划 - 力扣(LeetCode)
题目解析
状态表示
这个问题本质上是,
-
挑选出一些工作作为一个集合,这个集合满足某些要求,解决某些问题。而背包问题就是挑选出一些物品作为一个集合,这个集合满足某些要求,解决某些问题。
-
挑选出来的工作不可以无限选取,所以属于二维01背包问题。
背包问题的状态表示是,
定义dp[i][j]表示从前i个物品中挑选,总体积不超过j,所有选法中,所能达到的最大价值。
定义dp[i][j]表示从前i个物品中挑选,总体积恰好为j,所有选法中,所能达到的最大价值。
我们根据背包问题的状态表示,定义出该问题的状态表示。
因此我们可以定义,dp[i][j][k]表示,从前i个工作中挑选,总需人数不超过j,总利润不少于k,总盈利计划个数。
状态转移方程
状态转移方程通常都是根据最后一个位置的具体状况进行分类讨论。
-
如果不选择第i个工作, 此时只能从前i-1个工作中挑选出集合,此时dp[i][j][k]=dp[i-1][j][k]。
-
如果选择第i个工作, 此时第i个工作需要的人数为group[i-1],产生的利润为profit[i-1],本来总人数不能超过j,选取第i个工作后,总人数不能超过j-group[i-1],本来总利润需要不少于k,选取第i个工作后,总利润需要不少于k-profit[i-1],因此dp[i][j][k]=dp[i-1][j-group[i-1]][k-profit[i-1]]。表示在前i-1个工作中挑选集合的集合个数,每一个集合都加入第i个工作,此时的集合个数为dp[i][j][k]。此时还需要判断j-guoup[i-1],k-profit[i-1]是否小于0,的情况。小于0就越界了。
-
如果j-group[i-1]<0, 表示第i个工作需要的人数就大于了j,此时dp[i][j][k]=0。
-
如果j-group[i-1]>=0, 说明此时可以完成第i个工作,dp[i][j][k]=dp[i-1][j-group[i-1][k-profit[i-1]],还需要考虑k-profit[i-1]的正负性。
-
如果k-profit[i-1]<0, 表示第i个工作产生的利润就可以满足最低需求利润,所以再从前面工作中挑选,不需要考虑它的利润条件,即产生的利润大于等于0即可。此时dp[i][j][k]=dp[i-1][j-group[i-1]][0]。
-
如果k-profit[i-1]>=0, 此时dp[i][j][k]=dp[i-1][j-group[i-1]][k-profit[i-1]]。
-
-
综上所述,将上述情况进行合并和简化,得到状态转移方程为,
dp[i][j][k] = dp[i - 1][j][k];
if (j - group[i - 1] >= 0)
dp[i][j][k] = (dp[i][j][k]+dp[i - 1][j - group[i - 1]]
[max(0, k - profit[i - 1])])%MOD;
MOD=1e9+7,因为题目说得到的数可能很大,需要对MOD取余,所以两个数每相加,就对MOD取余。
初始化
根据状态转移方程,我们知道,推导(i,j,k)位置的状态需要用到(i-1,j,k)位置的状态,if判断保证j-group[i-1]一定不会小于0,dp[i - 1][j - group[i - 1]][max(0, k - profit[i - 1])],所以这个状态中只需要考虑(i-1)。所以我们需要初始化第一行,推导第一行的时候会发生越界的情况,此时没有前驱状态。
i==0,表示不选工作,人数不超过j,集合利润不少于k,集合个数,此时只有dp[0][j][0]=1,其他都为0。
故初始化为,
for (int j = 0; j <= n; j++) {
dp[0][j][0] = 1;
}
填表顺序
根据状态转移方程,我们在推导(i,j,k)位置的状态时,需要用到(i-1,j,k)(i-1,j-group[i-1],k-profit[i-1])位置的状态。这些状态不会越界,初始化保证了他们不会越界。
-
固定i, i需要从小到大变化,当推导(i,j,k)位置状态时,(i-1,,)位置状态已经得到,所以j,k的变化可以从小到大,也可以从大到小。
-
固定j, j的变化需要从小到大,又因为需要用到(i-1,j,k)位置的状态,所以i的变化需要从小到大,此时k的变化可以从小到大也可以从大到小。
-
固定k, k的变化需要从小到大,又因为需要用到(i-1, j,k)位置的状态,所以i的变化需要从小到大,此时j的变化可以从小到大,也可以从大到小。
返回值
状态表示为dp[i][j][k]表示,从前i个工作中挑选,总需人数不超过j,总利润不少于k,总盈利计划个数。
结合题目意思,我们需要在前m个工作中挑选,总需人数不超过n,总利润不少于minProfit,总盈利计划个数。
返回dp[m][n][minProfit]
(m表示工作个数)
代码实现
class Solution {
public:
int profitableSchemes(int n, int minProfit, vector<int>& group,
vector<int>& profit) {
int m = group.size();
int MOD = 1e9 + 7;
vector<vector<vector<int>>> dp(
m + 1, vector<vector<int>>(n + 1, vector<int>(minProfit + 1)));
for (int j = 0; j <= n; j++) {
dp[0][j][0] = 1;
}
for (int i = 1; i <= m; i++) {
for (int j = 0; j <= n; j++) {
for (int k = 0; k <= minProfit; k++) {
dp[i][j][k] = dp[i - 1][j][k];
if (j - group[i - 1] >= 0)
dp[i][j][k] = (dp[i][j][k]+dp[i - 1][j - group[i - 1]]
[max(0, k - profit[i - 1])])%MOD;
}
}
}
return dp[m][n][minProfit];
}
};
377. 组合总和 Ⅳ - 力扣(LeetCode)
题目解析
因此我们应该换一种思路,尝试正向解决这道问题。
在正向推导过程我们发现了重复子问题,求元素和为target一共有多少种排列方法数,等价于求元素和为target-第一个位置上的元素值,一共有多少种排列方法数,然后再考虑第一个位置上所有情况即可。
因此我们可以定义状态表示为dp[i]元素和为i的所有排列方法数。
状态表示
定义dp[i]元素和为i的所有排列方法数。
状态转移方程
-
如果有排列,
-
第一个位置为nums[0], 此时dp[i]=dp[i-nums[0]]。
-
第一个位置为nums[1], 此时dp[i]=dp[i-nums[1]]。
-
第一个位置为nums[2], 此时dp[i]=dp[i-nums[2]]。
-
.......
-
-
如果没排列, dp[0]=1。
综上所述,状态转移方程为,dp[i]=dp[i-nums[0]]+dp[i-nums[1]]+..........
如果i-nums[0]<0,此时不存在。同时dp[0]=1。
for(auto j:nums){
if(j<=i){
dp[i]+=dp[i-j];
}
}
初始化
根据状态转移方程,dp[i]+=,所以每个位置都需要初始化为0。而没有排列的时候,dp[0]=1。
填表顺序
根据状态转移方程,推导i位置状态需要用到i-j位置的状态,所以i的变化需要从小到大。
返回值
状态表示为,定义dp[i]元素和为i的所有排列方法数。
结合题目意思,我们需要返回dp[target]
代码实现
class Solution {
public:
int combinationSum4(vector<int>& nums, int target) {
vector<double>dp(target+1);
dp[0]=1;
for(int i=1;i<=target;i++){
for(auto j:nums){
if(j<=i){
dp[i]+=dp[i-j];
}
}
}
return dp[target];
}
};
96. 不同的二叉搜索树 - 力扣(LeetCode)
题目解析
状态表示
定义dp[i]表示节点数为i,组成的二叉搜索树种类数。
状态转移方程
-
当节点数至少为3时,假设j作为根节点。 此时左边是1~(j-1),一共有(j-1)-1+1=j-1 个数, 右边是(j+1)~i,一共有i-(j+1)+1=i-j 个数,
状态转移方程为,
for(int j=1;j<=i;j++){ dp[i]+=dp[j-1]*dp[i-j]; }
-
当节点数为2时, dp[2]=2。
-
当节点数为1时, dp[1]=1。
-
当节点数为0时, dp[0]=1。此时表示没有节点,二叉搜索树的种类数,空也算是一种。表示左孩子为0时,种类数为右孩子种类数乘以1,或者右孩子为0时,种类数为左孩子种类数乘以1。
初始化
根据状态转移方程,dp[i]+=,所以每个状态先初始化为0。
填表顺序
根据状态转移方程,推导i位置状态时需要用到j-1,和i-j位置的状态,所以i的变化需要从小到大。
返回值
状态表示为,定义dp[i]表示节点数为i,组成的二叉搜索树种类数。
结合题目意思,我们需要返回dp[n]
代码实现
class Solution {
public:
int numTrees(int n) {
vector<int>dp(n+1);
if(n==0||n==1) return 1;
else if(n==2) return 2;
dp[0]=1;
dp[1]=1;
dp[2]=2;
for(int i=3;i<=n;i++){
for(int j=1;j<=i;j++){
dp[i]+=dp[j-1]*dp[i-j];
}
}
return dp[n];
}
};
结尾
今天我们学习了动态规划的思想,动态规划思想和数学归纳法思想有一些类似,动态规划在模拟数学归纳法的过程,已知一个最简单的基础解,通过得到前项与后项的推导关系,由这个最简单的基础解,我们可以一步一步推导出我们希望得到的那个解,把我们得到的解依次存放在dp数组中,dp数组中对应的状态,就像是数列里面的每一项。最后感谢您阅读我的文章,对于动态规划系列,我会一直更新,如果您觉得内容有帮助,可以点赞加关注,以快速阅读最新文章。
最后,感谢您阅读我的文章,希望这些内容能够对您有所启发和帮助。如果您有任何问题或想要分享您的观点,请随时在评论区留言。
同时,不要忘记订阅我的博客以获取更多有趣的内容。在未来的文章中,我将继续探讨这个话题的不同方面,为您呈现更多深度和见解。文章来源:https://www.toymoban.com/news/detail-794428.html
谢谢您的支持,期待与您在下一篇文章中再次相遇!文章来源地址https://www.toymoban.com/news/detail-794428.html
到了这里,关于【二十】【动态规划】879. 盈利计划、377. 组合总和 Ⅳ、96. 不同的二叉搜索树 ,三道题目深度解析的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!