数据结构与算法——动态规划

原创

于 2024-08-25 14:52:26 发布 · 1.2k 阅读

23 ·

CC 4.0 BY-SA版权

文章标签：

#动态规划 #算法

2. 斐波那契数列（LeetCode 126题）

3. 最长公共子序列（LeetCode 95题）

引言

动态规划（Dynamic Programming, 简称DP）是一种在数学、计算机科学、经济学和生物信息学等领域广泛使用的算法设计技术。它通过把原问题分解为相对简单的子问题的方式，来求解复杂问题。动态规划的核心思想包括两个方面：

最优子结构

一个问题的最优解包含其子问题的最优解，即可以通过组合子问题的最优解来构造原问题的最优解。

例如:假设你有一个装满不同面额硬币的钱包，包括1元、5元、10元等，你需要找给顾客正好30元的零钱，且希望使用的硬币数量尽可能少。

这个问题可以分解为多个子问题：

找给顾客1元：显然只需要一个1元硬币。
找给顾客5元：显然只需要一个5元硬币。
找给顾客10元：显然只需要一个10元硬币。
找给顾客20元：这里可能需要多个硬币，比如两个10元，或者一个10元加上两个5元，或者四个5元，等等，但我们要找的是使用硬币数量最少的那种方式。
找给顾客30元：这就是我们的原问题。它可以分解为找给顾客20元的问题（子问题）加上找给顾客10元的问题（另一个子问题），或者找给顾客25元（比如5个5元）加上5元，等等。我们需要找到这些组合中硬币数量最少的那一种。

如果我们知道了找给顾客任意小于或等于30元金额的最少硬币数量（即所有子问题的最优解），那么我们就可以通过组合这些最优解来找到找给顾客30元的最少硬币数量（即原问题的最优解）。

实际上在解决这个具体的零钱找零问题时，我们可能会使用动态规划的一个变种——贪心算法

重叠子问题

在递归算法中，相同的子问题会被多次计算。动态规划通过存储这些子问题的解来避免重复计算，从而提高效率

例如：斐波那契数列：0, 1, 1, 2, 3, 5, 8, 13, 21, ...，其中每个数字是前两个数字的和。

使用递归方法来计算斐波那契数列的第n项，在计算fib(4)时，会分别计算fib(3)和fib(2)，而在计算fib(3)时又会计算fib(2)和fib(1)。随着n的增大，重复计算的量会急剧增加。

def fib(n):  
    if n <= 1:  
        return n  
    return fib(n-1) + fib(n-2)

使用一个数组来保存已计算过的斐波那契数来避免重复计算，从而大大提高效率。

def fib_dp(n):  
    if n <= 1:  
        return n  
    dp = [0] * (n + 1)  
    dp[1] = 1  
    for i in range(2, n + 1):  
        dp[i] = dp[i-1] + dp[i-2]  
    return dp[n]