【随想录学习】——第十章 动态规划(0-1背包+完全背包)

这篇具有很好参考价值的文章主要介绍了【随想录学习】——第十章 动态规划(0-1背包+完全背包)。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。


动态规划,英文:Dynamic Programming,简称DP,如果某一问题有很多重叠子问题,使用动态规划是最有效的。

所以动态规划中每一个状态一定是由上一个状态推导出来的,这一点就区分于贪心,贪心没有状态推导,而是从局部直接选最优的,

509. 斐波那契数

推导:

  1. dp数组表示斐波那契数列,dp[i]表示i处的数字值
  2. 由于斐波那契数列的性质,dp[i]=dp[i-1]+dp[i-2]

方法一:维护大小为N的数组

class Solution {
public:
    int fib(int n) {
        vector<int> dp(n + 1);
        if(n<=1){
            return n;
        }
        dp[0]=0;
        dp[1]=1;
        for(int i=2;i<=n;i++){
            dp[i]=dp[i-1]+dp[i-2];
        }
        return dp[n];
    }
};

方法二:维护大小为2的数组,减少空间复杂度

class Solution {
public:
    int fib(int n) {
        //vector<int> dp(2);
        int dp[2];
        if(n<=1){
            return n;
        }
        dp[0]=0;
        dp[1]=1;
        for(int i=2;i<=n;i++){
            int sum=dp[0]+dp[1];
            dp[0]=dp[1];
            dp[1]=sum;
        }
        return dp[1];
    }
};

注意,在该方法中,将数组设置为int而不是vector向量的形式,是因为vector更适用于动态大小的情况,int[]适用于固定大小的情况

70. 爬楼梯

推导:

  1. dp[i]: 爬到第i层楼梯,有dp[i]种方法
  2. 首先是dp[i - 1],上i-1层楼梯,有dp[i - 1]种方法,那么再一步跳一个台阶不就是dp[i]了么。

还有就是dp[i - 2],上i-2层楼梯,有dp[i - 2]种方法,那么再一步跳两个台阶不就是dp[i]了么。

那么dp[i]就是 dp[i - 1]与dp[i - 2]之和!

所以dp[i] = dp[i - 1] + dp[i - 2] 。

  1. 初始化中,纠结dp[0]的值,但是题目中n>1,所以没有必要考虑,直接初始化dp[1]=1
  2. 整体其实就是斐波那契数列
class Solution {
public:
    int climbStairs(int n) {
        //必须定义为dp[3],因为dp[3]=dp[0],dp[1],dp[2]
        int dp[3];
        if(n<=1){
            return n;
        }
        dp[1]=1;
        dp[2]=2;
        for(int i=3;i<=n;i++){
            int sum=dp[1]+dp[2];
            dp[1]=dp[2];
            dp[2]=sum;
        }
        return dp[2];
    }
};

746. 使用最小花费爬楼梯

  1. dp[i]的定义:到达第i台阶所花费的最少体力为dp[i]
  2. 可以有两个途径得到dp[i],一个是dp[i-1] 一个是dp[i-2]

dp[i - 1] 跳到 dp[i] 需要花费 dp[i - 1] + cost[i - 1]。

dp[i - 2] 跳到 dp[i] 需要花费 dp[i - 2] + cost[i - 2]。

那么究竟是选从dp[i - 1]跳还是从dp[i - 2]跳呢?

一定是选最小的,所以dp[i] = min(dp[i - 1] + cost[i - 1], dp[i - 2] + cost[i - 2]);

  1. 新题目描述中明确说了 “你可以选择从下标为 0 或下标为 1 的台阶开始爬楼梯。” 也就是说 到达 第 0 个台阶是不花费的,但从 第0 个台阶 往上跳的话,需要花费 cost[0]。

所以初始化 dp[0] = 0,dp[1] = 0;

class Solution {
public:
    int minCostClimbingStairs(vector<int>& cost) {
        vector<int> dp(cost.size()+1);
        dp[0]=0;
        dp[1]=0;
        for(int i=2;i<=cost.size();i++){
            dp[i]=min(dp[i-1]+cost[i-1],dp[i-2]+cost[i-2]);
        }
        return dp[cost.size()];
    }
};

dp数组的大小定义还是要注意一下的

【随想录学习】——第十章 动态规划(0-1背包+完全背包),leetcode,学习,动态规划,算法,leetcode,0-1背包,完全背包

62. 不同路径

深搜

这道题目,刚一看最直观的想法就是用图论里的深搜,来枚举出来有多少种路径。

注意题目中说机器人每次只能向下或者向右移动一步,所以每一步就是两种选择,分叉成两个节点,那么其实机器人走过的路径可以抽象为一棵二叉树,而叶子节点就是终点!

问题就可以转化为求二叉树叶子节点的个数,

但是使用该方法的话会超时,因为需要遍历整棵树

【随想录学习】——第十章 动态规划(0-1背包+完全背包),leetcode,学习,动态规划,算法,leetcode,0-1背包,完全背包

动态规划

  1. dp[i][j]表示走到(i,j)的路径数量
  2. 因为dp[i][j]只可能从dp[i-1][j]和dp[i][j-1]即(i-1,j)和(i,j-1)走来,且从这两个点到(i,j)也就是一步之遥,所以dp[i][j]=dp[i-1][j]+dp[i][j-1]
  3. 初始化:镶边部分即dp[i][0]和dp[0][j]的由于只能向左走和向右走,因此全部初始化为1

【随想录学习】——第十章 动态规划(0-1背包+完全背包),leetcode,学习,动态规划,算法,leetcode,0-1背包,完全背包

class Solution {
public:
    int uniquePaths(int m, int n) {
        int dp[m][n];
        for(int i=0;i<m;i++){
            dp[i][0]=1;
        }
        for(int j=0;j<n;j++){
            dp[0][j]=1;
        }
        for(int i=1;i<m;i++){
            for(int j=1;j<n;j++){
                dp[i][j]=dp[i-1][j]+dp[i][j-1];
            }
        }
        return dp[m-1][n-1];
    }
};

63. 不同路径Ⅱ

与上一题相比就是多了障碍物的存在

62.不同路径 (opens new window)中我们已经详细分析了没有障碍的情况,有障碍的话,其实就是标记对应的dp table(dp数组)保持初始值(0)就可以了。

即如果(i, 0) 这条边有了障碍之后,障碍之后(包括障碍)都是走不到的位置了,所以障碍之后的dp[i][0]应该还是初始值0。dp[0][j]同理

class Solution {
public:
    int uniquePathsWithObstacles(vector<vector<int>>& obstacleGrid) {
        int m=obstacleGrid.size();//宽
        int n=obstacleGrid[0].size();//高
        vector<vector<int>> dp(m, vector<int>(n));
        if(obstacleGrid[0][0]==1||obstacleGrid[m-1][n-1]==1){
            return 0;
        }
        //给横向赋值为1.但是障碍之后都不赋值了,因为根本到不了
        for(int i=0;i<m&&obstacleGrid[i][0]==0;i++){
            dp[i][0]=1;
        }
        //纵向同理
        for(int j=0;j<n&&obstacleGrid[0][j]==0;j++){
            dp[0][j]=1;
        }
        for(int i=1;i<m;i++){
            for(int j=1;j<n;j++){
                if(obstacleGrid[i][j]==0){
                    dp[i][j]=dp[i-1][j]+dp[i][j-1];
                }
                else{
                    dp[i][j]=0;
                }
            }
        }
        return dp[m-1][n-1];
    }
};

这一题我一直死在数组的定义上

就是要用.size()去获取行数和列数,sizeof()得到的是字节大小

343. 整数拆分

dp[i]:分拆数字i,可以得到的最大乘积为dp[i]。

初始化从2开始才有意义

因为如果定义dp[i - j] * dp[j] 也是默认将一个数强制拆成4份以及4份以上了,所以需要同时比较(i-j)*j和dp[i - j] * j,即考虑到拆分了两个数的情况。

【随想录学习】——第十章 动态规划(0-1背包+完全背包),leetcode,学习,动态规划,算法,leetcode,0-1背包,完全背包

dp[i] = max(dp[i], max((i - j) * j, dp[i - j] * j));

拆分一个数n 使之乘积最大,那么一定是拆分成m个近似相同的子数相乘才是最大的

【随想录学习】——第十章 动态规划(0-1背包+完全背包),leetcode,学习,动态规划,算法,leetcode,0-1背包,完全背包

class Solution {
public:
    int integerBreak(int n) {
        vector<int> dp(n + 1);
        dp[2]=1;
        for(int i=3;i<=n;i++){
            for(int j=1;j<i;j++){
                dp[i]=max(dp[i],max(dp[i-j]*j,(i-j)*j));
                //之所以要带上dp[i]是因为在j的循环过程中i是不变的,所以dp[i]会实时更新,下面的写法就是错的
                //dp[i]=max(dp[i-j]*j,(i-j)*j);
            }
        }
        return dp[n];
    }
};

96. 不同的二叉搜索树

举例,假设n=3

【随想录学习】——第十章 动态规划(0-1背包+完全背包),leetcode,学习,动态规划,算法,leetcode,0-1背包,完全背包

dp[3],就是 元素1为头结点搜索树的数量 + 元素2为头结点搜索树的数量 + 元素3为头结点搜索树的数量

元素1为头结点搜索树的数量 = 右子树有2个元素的搜索树数量 * 左子树有0个元素的搜索树数量

元素2为头结点搜索树的数量 = 右子树有1个元素的搜索树数量 * 左子树有1个元素的搜索树数量

元素3为头结点搜索树的数量 = 右子树有0个元素的搜索树数量 * 左子树有2个元素的搜索树数量

【随想录学习】——第十章 动态规划(0-1背包+完全背包),leetcode,学习,动态规划,算法,leetcode,0-1背包,完全背包

这个图特别清楚,就是左右的大小关系都有了

dp[i] += dp[以j为头结点左子树节点数量] * dp[以j为头结点右子树节点数量]

j相当于是头结点的元素,从1遍历到i为止

所以递推公式:dp[i] += dp[j - 1] * dp[i - j]; ,j-1 为j为头结点左子树节点数量,i-j 为以j为头结点右子树节点数量

从定义上来讲,空节点也是一棵二叉树,也是一棵二叉搜索树,这是可以说得通的。所以dp[0]初始化为1,且之后相乘总不能让结果为0

【随想录学习】——第十章 动态规划(0-1背包+完全背包),leetcode,学习,动态规划,算法,leetcode,0-1背包,完全背包

0-1背包理论基础

1. dp数组确认

dp[i][j] 表示从下标为[0-i]的物品里任意取,放进容量为j的背包,价值总和最大是多少

2. 递推公式确认

可以有两个方向推出来dp[i][j],

  • 不放物品i:由dp[i - 1][j]推出,即背包容量为j,里面不放物品i的最大价值,此时dp[i][j]就是dp[i - 1][j]。(其实就是当物品i的重量大于背包j的重量时,物品i无法放进背包中,所以背包内的价值依然和前面相同。)
  • 放物品i:由dp[i - 1][j - weight[i]]推出,dp[i - 1][j - weight[i]] 为背包容量为j -
    weight[i]的时候不放物品i的最大价值,那么dp[i - 1][j - weight[i]] + value[i]
    (物品i的价值),就是背包放物品i得到的最大价值

所以递归公式: dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]);

3. 初始化

1. 背包容量为0时价值一定为0

当 j < weight[0]的时候,dp[0][j] 应该是 0,因为背包容量比编号0的物品重量还小。

当j >= weight[0]时,dp[0][j] 应该是value[0],因为背包容量放足够放编号0物品。

4. 遍历顺序

先遍历 物品还是先遍历背包重量呢?

其实都可以!! 但是先遍历物品更好理解

【随想录学习】——第十章 动态规划(0-1背包+完全背包),leetcode,学习,动态规划,算法,leetcode,0-1背包,完全背包

0-1背包基础(2)

  1. 确定dp数组的定义

在一维dp数组中,dp[j]表示:容量为j的背包,所背的物品价值可以最大为dp[j]

  1. 一维dp数组的递推公式

dp[j] = max(dp[j], dp[j - weight[i]] + value[i]);

  1. 初始化

dp[j]表示:容量为j的背包,所背的物品价值可以最大为dp[j],那么dp[0]就应该是0,因为背包容量为0所背的物品的最大价值就是0。

  1. 遍历顺序

二维dp遍历的时候,背包容量是从小到大,而一维dp遍历的时候,背包是从大到小。

倒序遍历是为了保证物品i只被放入一次!。但如果一旦正序遍历了,那么物品0就会被重复加入多次!

那么问题又来了,为什么二维dp数组遍历的时候不用倒序呢?

因为对于二维dp,dp[i][j]都是通过上一层即dp[i - 1][j]计算而来,本层的dp[i][j]并不会被覆盖!

【随想录学习】——第十章 动态规划(0-1背包+完全背包),leetcode,学习,动态规划,算法,leetcode,0-1背包,完全背包

416. 分割等和子集

一个商品如果可以重复多次放入是完全背包,而只能放入一次是01背包

本题元素只能使用一次,故使用01背包

本题的重量和价值相同

如果dp[j] == j 说明,集合中的子集总和正好可以凑成总和j

使用的是滚动数组,初始化大小均为0

首先将数组元素累加起来得到sum,如果sum为奇数,则不可能分成两份,否则的话就让target=sum

1049. 最后一块石头的重量Ⅱ

尽量让石头分成重量相同的两堆,相撞之后剩下的石头最小,这样就化解成01背包问题了

所以和上一题几乎是一模一样的

dp[j]表示容量(这里说容量更形象,其实就是重量)为j的背包,最多可以背最大重量为dp[j]

dp[j] = max(dp[j], dp[j - stones[i]] + stones[i])

dp[j]中的j表示容量,那么最大容量(重量)是多少呢,就是所有石头的重量和。

因为提示中给出1 <= stones.length <= 30,1 <= stones[i] <= 1000,所以最大重量就是30 * 1000

而我们要求的target其实只是最大重量的一半,所以dp数组开到15000大小就可以了。

全部初始化为0即可

494. 目标和

本题要如何使表达式结果为target,

假设加法集合称为plus,减法集合称为minus

既然为target,那么就一定有 plus组合 - minus组合 = target。

plus+ minus = sum,而sum是固定的。plus = sum - minus

此时问题就是在集合nums中找出和为plus的组合。

当然整除不了的话就说明找不到对应的方法

dp[j]定义

dp[j]表示装满容量为j的背包有dp[j]种方法

dp[j]推导

dp[j]的推导通过dp[j-nums[i]]来

只要搞到nums[i],凑成dp[j]就有dp[j - nums[i]] 种方法。

例如:dp[j],j 为5,

  • 已经有一个1(nums[i]) 的话,有 dp[4]种方法 凑成 容量为5的背包。
  • 已经有一个2(nums[i]) 的话,有 dp[3]种方法 凑成 容量为5的背包。
  • 已经有一个3(nums[i]) 的话,有 dp[2]中方法 凑成 容量为5的背包
  • 已经有一个4(nums[i]) 的话,有 dp[1]中方法 凑成 容量为5的背包
  • 已经有一个5 (nums[i])的话,有 dp[0]中方法 凑成 容量为5的背包

为什么一直是容量为5?因为j不变变的是i,所以容量不变

都是凑成容量为5,所以最终dp[j]=所有相加

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

dp[j]初始化

dp[0]必须为1,否则结果全部为0

【随想录学习】——第十章 动态规划(0-1背包+完全背包),leetcode,学习,动态规划,算法,leetcode,0-1背包,完全背包

【随想录学习】——第十章 动态规划(0-1背包+完全背包),leetcode,学习,动态规划,算法,leetcode,0-1背包,完全背包

474. 一和零

依旧是01背包问题,虽然有m和n两个维度,但是每个元素还是只能使用一次

  1. 确定dp数组(dp table)以及下标的含义

dp[i][j]:最多有i个0和j个1的strs的最大子集的大小为dp[i][j]

  1. 确定递推公式

dp[i][j] 可以由前一个strs里的字符串推导出来,strs里的字符串有zeroNum个0,oneNum个1。

dp[i][j] 就可以是 dp[i - zeroNum][j - oneNum] + 1。

然后我们在遍历的过程中,取dp[i][j]的最大值。

所以递推公式:dp[i][j] = max(dp[i][j], dp[i - zeroNum][j - oneNum] + 1);

此时大家可以回想一下01背包的递推公式:dp[j] = max(dp[j], dp[j - weight[i]] + value[i]);

对比一下就会发现,字符串的zeroNum和oneNum相当于物品的重量(weight[i]),字符串本身的个数相当于物品的价值(value[i])。

这就是一个典型的01背包! 只不过物品的重量有了两个维度而已。

  1. dp数组如何初始化

全部初始化为0

  1. 遍历顺序

逆序遍历,保证每个数字只被使用一次

class Solution {
public:
    int findMaxForm(vector<string>& strs, int m, int n) {
        vector<vector<int>> dp(m+1, vector<int>(n+1, 0));
        for(string str: strs){
            //按照字符串进行遍历统计
            int zeroNum=0;
            int oneNum=0;
            //统计字符
            for(char c: str){
                if(c=='0'){
                    zeroNum++;
                }
                else{
                    oneNum++;
                }
            }
            //遍历顺序已经无所谓了,因为是两个维度
            for(int i=m;i>=zeroNum;i--){
                for(int j=n;j>=oneNum;j--){
                    //减掉的是weight,加上的是value
                    dp[i][j]=max(dp[i][j],dp[i-zeroNum][j-oneNum]+1);
                }
            }
        }
        return dp[m][n];
    }
};

完全背包理论基础

在完全背包中,对于一维dp数组来说,其实两个for循环嵌套顺序是无所谓的!

属于是横向更新,01背包中我们是层级更新

518. 零钱兑换Ⅱ

一看到钱币数量不限,就知道这是一个完全背包

本题的物品是钱币,背包是金额总和

求装满背包有几种方法,公式都是:dp[j] += dp[j - nums[i]],和目标和那一题一样

首先dp[0]一定要为1,dp[0] = 1是 递归公式的基础。如果dp[0] = 0 的话,后面所有推导出来的值都是0了。

本题说明的是兑换的方法一共多少种,无关顺序,221和212是一样的,因此求的是组合数而不是排列数,因此先遍历背包再遍历物品

【随想录学习】——第十章 动态规划(0-1背包+完全背包),leetcode,学习,动态规划,算法,leetcode,0-1背包,完全背包

【随想录学习】——第十章 动态规划(0-1背包+完全背包),leetcode,学习,动态规划,算法,leetcode,0-1背包,完全背包

先把1加入计算,然后再把5加入计算,得到的方法数量只有{1, 5}这种情况。而不会出现{5, 1}的情况。因此不会有重复

377. 组合总和Ⅳ

和上一题的区别就是,本题求的是排列数,所以先背包后物品

为了不让数组越界记得判断j-nums[i]>0

C++测试用例有两个数相加超过int的数据,所以需要在if里加上dp[i] < INT_MAX - dp[i - num]。

70. 爬楼梯进阶版

之前做的 爬楼梯 是只能至多爬两个台阶

所以其实就是一个斐波那契数列

但是本题每次爬楼梯的个数不限制,所以是一个背包问题

问跳到楼顶有几种方法其实就是问装满背包有几种方法。

此时大家应该发现这就是一个完全背包问题

和上一题基本就是一道题了。

322.零钱兑换

本题求钱币最小个数,那么钱币有顺序和没有顺序都可以,都不影响钱币的最小个数

所以本题并不强调集合是组合还是排列。

初始化全部为INT_MAX,这样min函数才能起作用

而dp[0]=0!!!这个很重要

一开始我设置为1,因为我担心会像前面几题一样,导致最后dp永远为0

但是前面的题的递推公式是dp+=dp[j-nums[i]]这样的

本题存在+1,故无所谓

【随想录学习】——第十章 动态规划(0-1背包+完全背包),leetcode,学习,动态规划,算法,leetcode,0-1背包,完全背包

279. 完全平方数

和上一题一模一样 略过文章来源地址https://www.toymoban.com/news/detail-806392.html

到了这里,关于【随想录学习】——第十章 动态规划(0-1背包+完全背包)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!

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: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 【Day42】代码随想录之动态规划0-1背包_416. 分割等和子集

    动态规划理论基础 动规五部曲: 确定dp数组 下标及dp[i] 的含义。 递推公式:比如斐波那契数列 dp[i] = dp[i-1] + dp[i-2]。 初始化dp数组。 确定遍历顺序:从前到后or其他。 推导dp数组。 出现结果不正确: 打印dp日志和自己想的一样:递推公式、初始化或者遍历顺序出错。 打印

    2024年02月20日
    浏览(63)
  • 代码随想录 day44 完全背包

    class Solution { public:     int change(int amount, vectorint coins) {         vector int dp(amount+1,0);         dp[0]=1;         for(int i=0;icoins.size();i++){             for(int j=coins[i];j=amount;j++){                 dp[j]+=dp[j-coins[i]];             }         }  

    2024年02月15日
    浏览(39)
  • 【Day45】代码随想录之动态规划part7—爬楼梯(进阶)、零钱兑换、完全平方数

    今天又是补打卡的一天,开冲!!! 今日任务: 70.爬楼梯(进阶) 322.零钱兑换 279.完全平方数 这道题之前做过一次,但是可以采用完全背包的问题来分析一遍。 卡玛网题目:【57.爬楼梯】 这个题目其实是更难了一点,因为前面的题目都是每次要不爬1阶楼梯,要不爬2阶楼

    2024年03月25日
    浏览(52)
  • 动态规划例题(代码随想录学习)——持续更新

    dp[i][j]的含义是:从(0,0)到(i,j)的不同路径 当路线中有了障碍,此路不通,所以在不同路径的递推公式上需要增加条件 if(obs[i,j]==0)没有障碍,dp[i][j]= dp[i-1][j]+dp[i][j-1] if(obs[i][j]==1)有障碍,不进行推导 obs数组表示障碍 障碍的后面应该是0(原因:遇到障碍后,即

    2024年04月12日
    浏览(43)
  • 【Day43】代码随想录之动态规划0-1背包_1049. 最后一块石头的重量 II_494. 目标和_ 474.一和零

    动态规划理论基础 动规五部曲: 确定dp数组 下标及dp[i] 的含义。 递推公式:比如斐波那契数列 dp[i] = dp[i-1] + dp[i-2]。 初始化dp数组。 确定遍历顺序:从前到后or其他。 打印。 出现结果不正确: 打印dp日志和自己想的一样:递推公式、初始化或者遍历顺序出错。 打印dp日志和

    2024年02月22日
    浏览(48)
  • 代码随想录 动态规划-基础题目

    目录 509.斐波那契数  70.爬楼梯 746.使用最小花费爬楼梯 62.不同路径 63.不同路径|| 343.整数拆分 96.不同的二叉树 509. 斐波那契数 简单 斐波那契数  (通常用  F(n)  表示)形成的序列称为  斐波那契数列  。该数列由  0  和  1  开始,后面的每一项数字都是前面两项数字的和

    2024年03月18日
    浏览(72)
  • 二刷代码随想录——动态规划day40

    一个本硕双非的小菜鸡,备战24年秋招,计划二刷完卡子哥的刷题计划,加油! 二刷决定精刷了,于是参加了卡子哥的刷题班,训练营为期60天,我一定能坚持下去,迎来两个月后的脱变的,加油! 推荐一手卡子哥的刷题网站,感谢卡子哥。代码随想录 终于来到了守关boss。

    2024年03月11日
    浏览(55)
  • 代码随想录 动态规划-子序列问题-子序列(连续)

    目录 674.最长连续递增序列  718.最长重复子数组 53.最大子数组和  674. 最长连续递增序列 简单 给定一个未经排序的整数数组,找到最长且  连续递增的子序列 ,并返回该序列的长度。 连续递增的子序列  可以由两个下标  l  和  r ( l r )确定,如果对于每个  l = i r ,都

    2024年04月09日
    浏览(50)
  • 代码随想录第41天 | 动态规划part03

    ● 343. 整数拆分 ● 96.不同的二叉搜索树 题目一 343. 整数拆分 给定一个正整数 n,将其拆分为至少两个正整数的和,并使这些整数的乘积最大化。 返回你可以获得的最大乘积。 示例 : 输入: 10 输出: 36 解释: 10 = 3 + 3 + 4, 3 × 3 × 4 = 36。 说明: 你可以假设 n 不小于 2 且不大于 5

    2024年01月24日
    浏览(49)
  • 代码随想录算法训练51 | 动态规划part12

    本题加了一个冷冻期,状态就多了,有点难度,大家要把各个状态分清,思路才能清晰  视频讲解: 动态规划来决定最佳时机,这次有冷冻期!| LeetCode:309.买卖股票的最佳时机含冷冻期_哔哩哔哩_bilibili 代码随想录 相对122.买卖股票的最佳时机II ,本题只需要在计算卖出操

    2024年01月18日
    浏览(54)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包