背景
120. 三角形最小路径和
给定一个三角形，找出自顶向下的最小路径和。每一步只能移动到下一行中相邻的结点上。
例如，给定三角形：
[
[2],
[3,4],
[6,5,7],
[4,1,8,3]
]
自顶向下的最小路径和为 11（即，2 + 3 + 5 + 1 = 11）。
DFS
使用 DFS：
// 会超时
public int minimumTotal(List<List<Integer>> triangle) {
return dfs(0, 0, triangle);
}
// 返回值表示从x, y处到底部的最小路径和
private int dfs(int x, int y, List<List<Integer>> triangle, int[][] saves) {
if (x == triangle.size() - 1) {
return triangle.get(x).get(y);
}
int minLeft = dfs(x + 1, y, triangle, saves);
int minRight = dfs(x + 1, y + 1, triangle, saves);
return Math.min(minLeft, minRight) + triangle.get(x).get(y);
}
DFS的优化
优化 DFS，缓存已经被计算的值（称为：记忆化搜索 本质上：动态规划）
public int minimumTotal(List<List<Integer>> triangle) {
int[][] saves = new int[triangle.size()][triangle.size()];
return dfs(0, 0, triangle, saves);
}
// 使用saves数组记录已经被计算过的值
// 返回值表示从x, y处到底部的最小路径和
private int dfs(int x, int y, List<List<Integer>> triangle, int[][] saves) {
if (x == triangle.size() - 1) {
return triangle.get(x).get(y);
}
// 如果已经被计算过则直接返回
if (saves[x][y] != 0) {
return saves[x][y];
}
int minLeft = dfs(x + 1, y, triangle, saves);
int minRight = dfs(x + 1, y + 1, triangle, saves);
// 缓存已经被计算的值
saves[x][y] = Math.min(minLeft, minRight) + triangle.get(x).get(y);
return saves[x][y];
}
从DFS到动态规划
动态规划就是把大问题变成小问题，并解决了小问题重复计算的方法称为动态规划
动态规划和 DFS 区别
二叉树 子问题是没有交集，所以大部分二叉树都用递归或者分治法，即 DFS，就可以解决
像 triangle 这种是有重复走的情况，子问题是有交集，所以可以用动态规划来解决
自底向上
public int minimumTotal(List<List<Integer>> triangle) {
// 1、状态定义：f[i][j] 表示从i,j出发，到达最后一层的最短路径
int[][] dp = new int[triangle.size()][triangle.size()];
// 2、初始化
for (int i = 0; i < triangle.size(); i++) {
dp[triangle.size() - 1][i] = triangle.get(triangle.size() - 1).get(i);
}
// 3、递推求解
for (int i = triangle.size() - 2; i >= 0; i--) {
for (int j = 0; j < triangle.get(i).size(); j++) {
dp[i][j] = Math.min(dp[i+1][j], dp[i+1][j+1]) + triangle.get(i).get(j);
}
}
// 4、结果
return dp[0][0];
}
自顶向下
public int minimumTotal(List<List<Integer>> triangle) {
// 1、状态定义：dp[i][j] 表示从0,0出发，到达i,j的最短路径
int[][] dp = new int[triangle.size()][triangle.size()];
// 2、初始化
dp[0][0] = triangle.get(0).get(0);
for (int i = 1; i < triangle.size(); i++) {
for (int j = 0; j < triangle.get(i).size(); j++) {
// 这里分为三种情况：
// 1、上一层没有左边值
// 2、上一层没有右边值
// 3、其他
if (j == 0) {
dp[i][j] = dp[i-1][j] + triangle.get(i).get(j);
} else if (j == triangle.get(i).size() - 1) {
dp[i][j] = dp[i-1][j-1] + triangle.get(i).get(j);
} else {
dp[i][j] = Math.min(dp[i-1][j-1], dp[i-1][j]) + triangle.get(i).get(j);
}
}
}
// 从最后一层中查找最小值
int minValue = dp[triangle.size() - 1][0];
for (int i = 0; i < triangle.size(); i++) {
minValue = Math.min(minValue, dp[triangle.size() - 1][i]);
}
return minValue;
}
空间优化
经过观察发现当前状态只与上一批状态有关，所以二维数组可以优化为一位数组，减少空间占用。
public int minimumTotal(List<List<Integer>> triangle) {
int[] dp = new int[triangle.size()];
for (int i = 0; i < triangle.size(); i++) {
dp[i] = triangle.get(triangle.size() - 1).get(i);
}
for (int i = triangle.size() - 2; i >= 0; i--) {
for (int j = 0; j < triangle.get(i).size(); j++) {
dp[j] = Math.min(dp[j], dp[j+1]) + triangle.get(i).get(j);
}
}
return dp[0];
}
除此之外，也可以覆盖原有数据以实现空间复用。
使用场景
满足两个条件
满足以下条件之一
求最大/最小值（Maximum/Minimum ）
满足不能排序或者交换（Can not sort / swap ）
如题：longest-consecutive-sequence 位置可以交换，所以不用动态规划
四点要素
常见四种类型
注意点
贪心算法大多题目靠背答案，所以如果能用动态规划就尽量用动规，不用贪心算法
矩阵类型
最小路径和
64. 最小路径和
给定一个包含非负整数的 m x n 网格，请找出一条从左上角到右下角的路径，使得路径上的数字总和为最小。
public int minPathSum(int[][] grid) {
// dp[i][j] 表示0,0到i,j的最小和
int[] dp = new int[grid[0].length];
// 初始化：用第一行初始化
dp[0] = grid[0][0];
for (int i = 1; i < grid[0].length; i++) {
dp[i] = dp[i-1] + grid[0][i];
}
// 状态转移方程
// 每行第一个元素：
// dp[j] = dp[j](到上一行这个位置的最小和) + grid[i][j];
// 后续元素：
// dp[j] = Math.min(dp[j-1](到左边位置的最小和), dp[j](到上一行这个位置的最小和)) + grid[i][j];
for (int i = 1; i < grid.length; i++) {
for (int j = 0; j < grid[0].length; j++) {
if (j == 0) {
dp[j] = dp[j] + grid[i][j];
} else {
dp[j] = Math.min(dp[j-1], dp[j]) + grid[i][j];
}
}
}
// 答案
return dp[grid[0].length - 1];
}
不同路径
62. 不同路径
一个机器人位于一个 m x n 网格的左上角 （起始点在下图中标记为“Start” ）。 机器人每次只能向下或者向右移动一步。机器人试图达到网格的右下角（在下图中标记为“Finish”）。
问总共有多少条不同的路径？
public int uniquePaths(int m, int n) {
// dp[i][j] 表示0,0到i,j的路径数
int[] dp = new int[n];
// 初始化：到达第一行的路径数均为1
for (int i = 0; i < n; i++) {
dp[i] = 1;
}
for (int i = 1; i < m; i++) {
for (int j = 0; j < n; j++) {
// 每行第一个格子只有一条路到达
if (j == 0) {
dp[j] = 1;
}
// 其他格子可以由左侧或上方的格子到达
else {
dp[j] = dp[j-1] + dp[j];
}
}
}
return dp[n-1];
}
不同路径 II
63. 不同路径 II
一个机器人位于一个 m x n 网格的左上角 （起始点在下图中标记为“Start” ）。 机器人每次只能向下或者向右移动一步。机器人试图达到网格的右下角（在下图中标记为“Finish”）。
问总共有多少条不同的路径？
现在考虑网格中有障碍物。那么从左上角到右下角将会有多少条不同的路径？
public int uniquePathsWithObstacles(int[][] obstacleGrid) {
int m = obstacleGrid.length;
int n = obstacleGrid[0].length;
int[] dp = new int[n];
// 初始化：遇到障碍前仅有一条路，之后全为0
dp[0] = obstacleGrid[0][0] == 1 ? 0 : 1;
for (int i = 1; i < n; i++) {
if (obstacleGrid[0][i] == 1) {
dp[i] = 0;
} else {
dp[i] = dp[i-1];
}
}
for (int i = 1; i < m; i++) {
for (int j = 0; j < n; j++) {
// 当前格是障碍，不可达，置为0
if (obstacleGrid[i][j] == 1) {
dp[j] = 0;
continue;
}
if (j > 0) {
dp[j] = dp[j-1] + dp[j];
}
}
}
return dp[n-1];
}
序列类型
爬楼梯
70. 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？
public int climbStairs(int n) {
int[] dp = new int[]{0, 1};
while (n > 0) {
int temp = dp[0] + dp[1];
dp[0] = dp[1];
dp[1] = temp;
n--;
}
return dp[1];
}
最长递增子序列
300. 最长递增子序列
给定一个无序的整数数组，找到其中最长上升子序列的长度。
public int lengthOfLIS(int[] nums) {
// dp[i]表示从0到i的最长上升子序列长度
int[] dp = new int[nums.length];
// 初始化：到第一个元素序列长度为1
dp[0] = 1;
for (int i = 1; i < nums.length; i++) {
// 注意默认为1，即此处最长子序列为自身
int maxLen = 1;
// dp[i] = max(dp[j]) + 1 , nums[j] < nums[i]
for (int j = 0; j < i; j++) {
if (nums[j] < nums[i]) {
maxLen = Math.max(maxLen, dp[j] + 1);
}
}
dp[i] = maxLen;
}
int maxNum = 0;
for (int n : dp) {
maxNum = Math.max(maxNum, n);
}
// 答案：dp中的最大值
return maxNum;
}
单词拆分
139. 单词拆分
给定一个非空字符串 s 和一个包含非空单词列表的字典 wordDict，判定 s 是否可以被空格拆分为一个或多个在字典中出现的单词。
public boolean wordBreak(String s, List<String> wordDict) {
// dp[i]表示s[0, i)子串能否被分解
boolean[] dp = new boolean[s.length() + 1];
Set<String> wordSet = new HashSet<>(wordDict);
// 初始值：空字符串可以被分解
dp[0] = true;
for (int i = 1; i <= s.length(); i++) {
for (int j = 0; j < i; j++) {
// 递推：从i处向前遍历，s[0,j)可以分解且s[j,i)也在集合内
if (dp[j] && wordSet.contains(s.substring(j, i))) {
dp[i] = true;
break;
}
}
}
return dp[s.length()];
}
由于分解出的单词长度必定不会超过字典内的最大长度，因此可以利用这一点进行剪枝：
public boolean wordBreak(String s, List<String> wordDict) {
// dp[i]表示s[0, i)子串能否被分解
boolean[] dp = new boolean[s.length() + 1];
Set<String> wordSet = new HashSet<>(wordDict);
// 计算单词最大长度
int maxLen = 0;
for (String word : wordDict) {
maxLen = Math.max(maxLen, word.length());
}
// 初始值：空字符串可以被分解
dp[0] = true;
for (int i = 1; i <= s.length(); i++) {
// 分解的子串s[j,i)长度不会超过maxLen，注意不能越界
for (int j = Math.max(0, i - maxLen); j < i; j++) {
// 递推：从i处向前遍历，s[0,j)可以分解且s[j,i)也在集合内
if (dp[j] && wordSet.contains(s.substring(j, i))) {
dp[i] = true;
break;
}
}
}
return dp[s.length()];
}
小结
常见处理方式是给 0 位置占位，这样处理问题时一视同仁，初始化则在原来基础上 length+1，返回结果 f[n]
双序列类型
最长公共子序列
1143. 最长公共子序列
给定两个字符串 text1 和 text2，返回这两个字符串的最长公共子序列。 一个字符串的 子序列 是指这样一个新的字符串：它是由原字符串在不改变字符的相对顺序的情况下删除某些字符（也可以不删除任何字符）后组成的新字符串。 例如，"ace" 是 "abcde" 的子序列，但 "aec" 不是 "abcde" 的子序列。两个字符串的「公共子序列」是这两个字符串所共同拥有的子序列。
public int longestCommonSubsequence(String text1, String text2) {
// dp[i][j] a前i个和b前j个字符最长公共子序列
// dp[m+1][n+1]
// ' a d c e
// ' 0 0 0 0 0
// a 0 1 1 1 1
// c 0 1 1 2 1
int[][] dp = new int[text1.length() + 1][text2.length() + 1];
for (int i = 1; i <= text1.length(); i++) {
for (int j = 1; j <= text2.length(); j++) {
// 相等取左上元素+1，否则取左或上的较大值
if (text1.charAt(i - 1) == text2.charAt(j - 1)) {
dp[i][j] = dp[i - 1][j - 1] + 1;
} else {
dp[i][j] = Math.max(dp[i - 1][j], dp[i][j - 1]);
}
}
}
return dp[text1.length()][text2.length()];
}
注意点
编辑距离
72. 编辑距离
给你两个单词 word1 和 word2，请你计算出将 word1 转换成 word2 所使用的最少操作数 。你可以对一个单词进行如下三种操作：
思路：和上题很类似，相等则不需要操作，否则取删除、插入、替换最小操作次数的值+1
// dp[i][j] 表示a字符串的前i个字符编辑为b字符串的前j个字符最少需要多少次操作
// dp[i][j] = OR(dp[i-1][j-1]，a[i]==b[j],min(dp[i-1][j],dp[i][j-1],dp[i-1][j-1])+1)
public int minDistance(String word1, String word2) {
int[][] dp = new int[word1.length() + 1][word2.length() + 1];
for (int i = 0; i <= word1.length(); i++) {
dp[i][0] = i;
}
for (int i = 0; i <= word2.length(); i++) {
dp[0][i] = i;
}
for (int i = 1; i <= word1.length(); i++) {
for (int j = 1; j <= word2.length(); j++) {
// 相等则不需要操作
if (word1.charAt(i - 1) == word2.charAt(j - 1)) {
dp[i][j] = dp[i - 1][j - 1];
}
// 否则取删除、插入、替换最小操作次数的值+1
else {
dp[i][j] = Math.min(Math.min(dp[i - 1][j], dp[i][j - 1]), dp[i - 1][j - 1]) + 1;
}
}
}
return dp[word1.length()][word2.length()];
}
说明
另外一种做法：MAXLEN(a,b)-LCS(a,b)
零钱和背包
零钱兑换
322. 零钱兑换
给定不同面额的硬币 coins 和一个总金额 amount。编写一个函数来计算可以凑成总金额所需的最少的硬币个数。如果没有任何一种硬币组合能组成总金额，返回 -1。
思路：和其他 DP 不太一样，i 表示钱或者容量
public int coinChange(int[] coins, int amount) {
// 状态 dp[i]表示金额为i时，组成的最小硬币个数
int[] dp = new int[amount + 1];
dp[0] = 0;
for (int i = 1; i <= amount; i++) {
// 初始化为最大值
int minNum = Integer.MAX_VALUE;
for (int n : coins) {
if (i - n >= 0) {
// 如果上个金额也无法组成，则直接标记
if (dp[i - n] == -1) {
dp[i] = -1;
continue;
} else {
minNum = Math.min(minNum, dp[i - n] + 1);
}
} else if (i % n == 0) {
minNum = i / n;
}
}
dp[i] = (minNum == Integer.MAX_VALUE ? -1 : minNum);
}
return dp[amount];
}
零钱兑换 II
518. 零钱兑换 II
给定不同面额的硬币和一个总金额。写出函数来计算可以凑成总金额的硬币组合数。假设每一种面额的硬币有无限个。
先遍历物品再遍历背包 - 组合数
先遍历背包再遍历物品 - 排列数
public int change(int amount, int[] coins) {
// 状态 dp[i]表示金额为i时，组合的方法数
int[] dp = new int[amount + 1];
dp[0] = 1;
// 先遍历物品再遍历背包
for (int n : coins) {
for (int i = n; i <= amount; i++) {
dp[i] += dp[i - n];
}
}
return dp[amount];
}
分割等和子集
416. 分割等和子集
给定一个只包含正整数的非空数组。是否可以将这个数组分割成两个子集，使得两个子集的元素和相等。
等价于0-1背包问题，只不过目标为数组和的一半。状态转移可以参考题解：动态规划（转换为 0-1 背包问题）。
public boolean canPartition(int[] nums) {
// 首先计算数组的和
int sum = 0;
for (int n : nums) {
sum += n;
}
// 如果和不是2的倍数则肯定无法分割
if (sum % 2 != 0) {
return false;
}
sum /= 2;
// dp[i][j]表示从数组的[0, i]子区间内挑选一些正整数(每个数只能用一次)使得这些数的和恰好等于j
boolean[][] dp = new boolean[nums.length][sum + 1];
if (nums[0] <= sum) {
dp[0][nums[0]] = true;
}
for (int i = 1; i < nums.length; i++) {
for (int j = 0; j <= sum; j++) {
// 注意这里的状态转移方程
if (nums[i] == j) {
dp[i][j] = true;
} else if (nums[i] < j) {
dp[i][j] = dp[i - 1][j] || dp[i-1][j-nums[i]];
} else {
dp[i][j] = dp[i-1][j];
}
}
}
return dp[nums.length - 1][sum];
}
