LeetCode入門指南之動態規劃思想

推薦學習labuladong大佬的動態規劃系列文章：先弄明白什麼是動態規劃即可，不必一次看完。接著嘗試自己做，沒有思路了再回過頭看相應的文章。

動態規劃一般可以由 遞迴 + 備忘錄 一步步轉換而來，不必被名字唬住。通常只要找到狀態轉移方程問題就解決了一大半，至於狀態的選擇只要題目做多了自然就會形成經驗，通常是問什麼就設什麼為狀態。

常見四種類型

Matrix DP (10%)
Sequence (40%)
Two Sequences DP (40%)
Backpack (10%)

注意：

貪心演算法大多題目靠背答案，所以如果能用動態規劃就儘量用動規，不用貪心演算法。一般可以先嚐試用動態規劃，如果超時再用貪心。

1、矩陣型別（10%）

120. 三角形最小路徑和

給定一個三角形 triangle ，找出自頂向下的最小路徑和。

每一步只能移動到下一行中相鄰的結點上。相鄰的結點 在這裡指的是下標與 上一層結點下標 相同或者等於 上一層結點下標 + 1 的兩個結點。也就是說，如果正位於當前行的下標 i ，那麼下一步可以移動到下一行的下標 i 或 i + 1 。
輸入：triangle = [[2],[3,4],[6,5,7],[4,1,8,3]]

輸出：11

解釋：如下面簡圖所示：

   2

  3 4

 6 5 7

4 1 8 3

自頂向下的最小路徑和為 11（即，2 + 3 + 5 + 1 = 11）。

class Solution {

    public int minimumTotal(List<list<integer>> triangle) {

        /**

         * 狀態：當前位置到底部最小路徑和

         * 狀態轉移方程：dp[i][j] = triangle[i][j] + min(dp[i + 1][j], dp[i + 1]j[j + 1])；i為行，j為列

         * base case：最後一行dp[i][j] = triangle[i][j];

         */

        int m = triangle.size();

        int[][] dp = new int[m][m];

        //base case

        for (int i = 0; i < m; i++) {

            dp[m - 1][i] = triangle.get(m - 1).get(i);

        }

        //倒數第二行開始轉移（遞推）

        for (int i = m - 2; i >= 0; i--) {

            for (int j = 0; j <= i; j++) {

                dp[i][j] = triangle.get(i).get(j) + Math.min(dp[i + 1][j], dp[i + 1][j + 1]);

            }

        }

        return dp[0][0];

    }

}

該解法空間複雜度為dp表的大小，為 O(N²) 。容易發現當前行dp的值只與下一行的相關，我們不必將所有dp值通過二維陣列存下來，可以通過複用一個一維陣列來實現。

class Solution {

    public int minimumTotal(List<list<integer>> triangle) {

        int m = triangle.size();

        int[] dp = new int[m];

        //base case，先只存最後一行的dp值

        for (int i = 0; i < m; i++) {

            dp[i] = triangle.get(m - 1).get(i);

        }

        //倒數第二行開始轉移（遞推）

        for (int i = m - 2; i >= 0; i--) {

            for (int j = 0; j <= i; j++) {

                dp[j] = triangle.get(i).get(j) + Math.min(dp[j], dp[j + 1]);

            }

        }

        return dp[0];

    }

}

64. 最小路徑和

給定一個包含非負整數的 m x n 網格 grid ，請找出一條從左上角到右下角的路徑，使得路徑上的數字總和為最小。

說明：每次只能向下或者向右移動一步。

示例 1：
輸入：grid = [[1,3,1],[1,5,1],[4,2,1]]

輸出：7

解釋：因為路徑 1→3→1→1→1 的總和最小。

思路：動態規劃，和上一題相似。

狀態：起點到當前結點的最小路徑和
轉移方程：起點到當前結點最小路徑和dp[i][j]等於：min(起點到其相鄰左結點最小路徑和dp[i][j - 1]，起點到其相鄰上結點最小路徑和dp[i - 1][j]) + 當前結點值grid[i][j]
base case: dp[0][0] = grid[0][0]; 第一行dp[0][x]都為其相鄰左結點dp[0][x -1] + 自身結點值grid[0][x], x >= 1;第一列dp[x][0]都為其相鄰上結點dp[x - 1][0] + 自身結點值grid[x][0], x >= 1。

class Solution {

    public int minPathSum(int[][] grid) {

        int m = grid.length;

        int n = grid[0].length;

        //從左上角到i, j的最短路徑和

        int[][] dp = new int[m][n];

        //base case

        dp[0][0] = grid[0][0];

        for (int i = 1; i < m; i++) {

            dp[i][0] = dp[i - 1][0] + grid[i][0];

        }

        for (int i = 1; i < n; i++) {

            dp[0][i] = dp[0][i - 1] + grid[0][i];

        }

        //轉移方程

        for (int i = 1; i < m; i++) {

            for (int j = 1; j < n; j++) {

                dp[i][j] = Math.min(dp[i - 1][j], dp [i][j - 1]) + grid[i][j];

            }

        }

        return dp[m - 1][n - 1];

    }

}

62. 不同路徑

一個機器人位於一個 m x n 網格的左上角（起始點在下圖中標記為 “Start” ）。

機器人每次只能向下或者向右移動一步。機器人試圖達到網格的右下角（在下圖中標記為 “Finish” ）。

問總共有多少條不同的路徑？

示例 1：

輸入：m = 3, n = 7

輸出：28

思路：動態規劃

狀態：從起點到當前結點的不同路徑數。
轉移方程：起點到當前點的不同路徑數dp[i][j]等於：起點到當前結點相鄰左結點dp[i][j - 1]和相鄰上結點dp[i - 1][j]不同路徑數之和。
base case：第0行dp[0][x]和0列dp[x][0]都為1，前者只能通過其相鄰左節點到達，後者只能通過相鄰上結點到達。

class Solution {

    public int uniquePaths(int m, int n) {

        //狀態

        int dp[][] = new int[m][n];

        //base case

        for (int i = 0; i < n; i++) {

            dp[0][i] = 1;

        }

        for (int i = 1; i < m; i++) {

            dp[i][0] = 1;

        }

        //轉移方程

        for (int i = 1; i < m; i++) {

            for (int j = 1; j < n; j++) {

                dp[i][j] = dp[i][j - 1] + dp[i - 1][j];

            }

        }

        return dp[m - 1][n - 1];

    }

}

63. 不同路徑 II

一個機器人位於一個 m x n 網格的左上角（起始點在下圖中標記為“Start” ）。

機器人每次只能向下或者向右移動一步。機器人試圖達到網格的右下角（在下圖中標記為“Finish”）。

現在考慮網格中有障礙物。那麼從左上角到右下角將會有多少條不同的路徑？

網格中的障礙物和空位置分別用 1 和 0 來表示。

示例 1：
輸入：obstacleGrid = [[0,0,0],[0,1,0],[0,0,0]]

輸出：2

解釋：

3x3 網格的正中間有一個障礙物。

從左上角到右下角一共有 2 條不同的路徑：

1. 向右 -> 向右 -> 向下 -> 向下

2. 向下 -> 向下 -> 向右 -> 向右

class Solution {

    public int uniquePathsWithObstacles(int[][] obstacleGrid) {

        int m = obstacleGrid.length;

        int n = obstacleGrid[0].length;

        int dp[][] = new int[m][n];

        // base case

        if (obstacleGrid[0][0] != 1) { // 起點不是障礙

            dp[0][0] = 1;

        }

        for (int i = 1; i < n; i++) {

            if (obstacleGrid[0][i] != 1) {

                dp[0][i] = dp[0][i - 1];

            }

        }

        for (int i = 1; i < m; i++) {

            if (obstacleGrid[i][0] != 1) {

                dp[i][0] = dp[i - 1][0];

            }

        }

        for (int i = 1; i < m; i++) {

            for (int j = 1; j < n; j++) {

                if (obstacleGrid[i][j] != 1) {

                    dp[i][j] = dp[i][j - 1] + dp[i - 1][j];

                }

            }

        }

        return dp[m - 1][n - 1];

    }

}

2、序列型別（40%）

70. 爬樓梯

假設你正在爬樓梯。需要 n 階你才能到達樓頂。

每次你可以爬 1 或 2 個臺階。你有多少種不同的方法可以爬到樓頂呢？

注意：給定 n 是一個正整數。

思路：動態規劃

狀態：從第0個臺階跳到當前臺階的不同方式
轉移方程：第0個臺階到當前臺階的不同方式dp[i]等於：第0個臺階到當前臺階下面兩個臺階的不同方式之和(dp[i - 1] + dp[i - 2])
base case: dp[0] = dp[1] = 1

class Solution {

    public int climbStairs(int n) {

        //狀態：從第0個臺階跳到當前臺階的不同方式

        int[] dp = new int[n + 1];

        //base case

        dp[0] = 1;

        dp[1] = 1;

        //轉移方程

        for (int i = 2; i < n + 1; i++) {

            dp[i] = dp[i - 1] + dp[i - 2];

        }

        return dp[n];

    }

}

55. 跳躍遊戲

給定一個非負整數陣列 nums ，你最初位於陣列的 第一個下標 。

陣列中的每個元素代表你在該位置可以跳躍的最大長度。

判斷你是否能夠到達最後一個下標。

class Solution {

    public boolean canJump(int[] nums) {

        int len = nums.length;

        //起始位置能否跳至當前位置

        boolean[] dp = new boolean[len];

        //base case

        dp[0] = true;

        //轉移方程：i前面所有的點只要有一個能跳到當前結點就說明當前結點可達

        for (int i = 1; i < len; i++) {

            for (int j = 0; j < i; j++) {

                if (dp[j] && (j + nums[j] >= i)) {

                    dp[i] = true;

                    break;

                }

            }

        }

        return dp[len - 1];

    }

}

45. 跳躍遊戲 II

給定一個非負整數陣列，你最初位於陣列的第一個位置。

陣列中的每個元素代表你在該位置可以跳躍的最大長度。

你的目標是使用最少的跳躍次數到達陣列的最後一個位置。

說明:

假設你總是可以到達陣列的最後一個位置。

class Solution {

    //狀態：從下標為0的位置跳到i所需的最小跳躍次數

    //轉移方程：從下標為0的位置跳到i所需的最小跳躍次數等於：i前面一次跳躍就能到達i的所有結點中的最小dp值 + 1

    //base case:dp[0] = 0

    public int jump(int[] nums) {

        int n = nums.length;

        int[] dp = new int[n];

        Arrays.fill(dp, n); //最多跳n - 1次，求最小值，先將其初始化為足夠大

        //base case

        dp[0] = 0;

        for (int i = 1; i < n; i++) {

            for (int j = 0; j < i; j++) {

                if (nums[j] + j >= i) {

                    dp[i] = Math.min(dp[i], dp[j] + 1);

                }

            }

        }

        return dp[n - 1];

    }

}

132. 分割回文串 II

給你一個字串 s，請你將 s 分割成一些子串，使每個子串都是迴文。

返回符合要求的 最少分割次數 。

class Solution {

    // 狀態：從頭字元到以當前字元結尾形成的字串分割成迴文子串需要的最少分割次數

    // 轉移方程：dp[i] = min(dp[i], dp[j] + 1), j < i 且 [j + 1, i]區間的子串為迴文子串

    // base case:dp[0] = 0

    public int minCut(String s) {

        int len = s.length();

        // 先使用動態規劃獲得任意兩個區間的字串是否為迴文字串

        boolean[][] isPalindrome = getPalindrome(s);

        // 求最小值，先初始化足夠大（最多s最多分割 len - 1 次）

        int[] dp = new int[len];

        Arrays.fill(dp, len);

        for (int j = 0; j < len; j++) {

            //無需分割

            if (isPalindrome[0][j]) {

                dp[j] = 0;

                continue;

            }

            for (int i = 1; i <= j; i++) {

                if (isPalindrome[i][j]) {

                    dp[j] = Math.min(dp[j], dp[i - 1] + 1);

                }

            }

        }

        return dp[len - 1];

    }

    private boolean[][] getPalindrome(String s) {

        int len = s.length();

        // 區間i,j的字串是否為迴文字串(左右都為閉區間)

        boolean[][] dp = new boolean[len][len];

        for (int j = 0; j < len; j++) {

            for (int i = 0; i <= j; i++) {

                if (s.charAt(i) == s.charAt(j) && (j - i <= 2 || dp[i + 1][j - 1])) {

                    dp[i][j] = true;

                }

            }

        }

        return dp;

    }

}

300. 最長遞增子序列

給你一個整數陣列 nums ，找到其中最長嚴格遞增子序列的長度。

子序列是由陣列派生而來的序列，刪除（或不刪除）陣列中的元素而不改變其餘元素的順序。例如，[3,6,2,7] 是陣列 [0,3,1,6,2,2,7] 的子序列。

思路：動態規劃
狀態：以當前字元結尾的字串中最長遞增子序列的長度
轉移方程：dp[i] = max(dp[j] + 1, dp[i])，其中 j < i 且 nums[j] < nums[i]
base case：dp[i] = 1

class Solution {

    public int lengthOfLIS(int[] nums) {

        int len = nums.length;

        // dp[i] 表示以當前字元結尾的字串中最長遞增子序列的長度

        int[] dp = new int[len];

        //base case, 最少長度為1

        Arrays.fill(dp, 1);

        int maxLen = 0;

        for (int i = 0; i < len; i++) {

            for (int j = 0; j < i; j++) {

                if (nums[i] > nums[j]) {

                    dp[i] = Math.max(dp[i], dp[j] + 1);

                }

            }

            maxLen = Math.max(maxLen, dp[i]);

        }

        return maxLen;

    }

}

139. 單詞拆分

給定一個非空字串 s 和一個包含非空單詞的列表 wordDict，判定 s 是否可以被空格拆分為一個或多個在字典中出現的單詞。

說明：

拆分時可以重複使用字典中的單詞。

你可以假設字典中沒有重複的單詞。

class Solution {

    public boolean wordBreak(String s, List<string> wordDict) {

        Set<string> set = new HashSet<>();

        for (String str : wordDict) {

            set.add(str);

        }

        int len = s.length();

        // 狀態： s 中前 i 個字元能否拆分成功

        boolean[] dp = new boolean[len + 1];

        // base case

        dp[0] = true;

        // 狀態轉移

        // s[0, i]能否被分割取決於:區間[j, i]是否屬於set和dp[j]的值(前j個字元 [0, j - 1] 能否被分割)，j <= i

        for (int i = 1; i < len + 1; i++) {

            for (int j = 0; j < i; j++) {

                if (set.contains(s.substring(j, i)) && dp[j]) {

                    dp[i] = true;

                    break;

                }

            }

        }

        return dp[len];

    }

}

3、雙序列（40%）

1143. 最長公共子序列

給定兩個字串 text1 和 text2，返回這兩個字串的最長 公共子序列 的長度。如果不存在 公共子序列 ，返回 0 。

一個字串的 子序列 是指這樣一個新的字串：它是由原字串在不改變字元的相對順序的情況下刪除某些字元（也可以不刪除任何字元）後組成的新字串。

例如，"ace" 是 "abcde" 的子序列，但 "aec" 不是 "abcde" 的子序列。

兩個字串的 公共子序列 是這兩個字串所共同擁有的子序列。

class Solution {

    public int longestCommonSubsequence(String text1, String text2) {

        int m = text1.length();

        int n = text2.length();

        //狀態：text1前m個和text2前n個字元的最長公共子序列長度

        int[][] dp = new int[m + 1][n + 1];

        //base case, dp[x][0] = dp[0][x] = 0; 預設值即可

        for (int i = 1; i <= m; i++) {

            for (int j = 1; j <= n; j++) {

                //如果當前兩個字元相同

                if (text1.charAt(i - 1) == text2.charAt(j - 1)) {

                    dp[i][j] = dp[i - 1][j - 1] + 1;

                //不等說明有其中一個字元不在最長公共子序列中

                } else {

                    dp[i][j] = Math.max(dp[i - 1][j], dp[i][j - 1]);

                }

            }

        }

        return dp[m][n];

    }

}

72. 編輯距離

給你兩個單詞 word1 和 word2，請你計算出將 word1 轉換成 word2 所使用的最少運算元。

你可以對一個單詞進行如下三種操作：

插入一個字元

刪除一個字元

替換一個字元

class Solution {

    public int minDistance(String word1, String word2) {

        int m = word1.length();

        int n = word2.length();

        //word1 前m個字元和 word2 前n個字元之間的編輯距離，注意下標對應關係

        int[][] dp = new int[m + 1][n + 1];

        //base case

        for (int i = 0; i <= m; i++) {

            dp[i][0] = i;

        }

        for (int i = 0; i <= n; i++) {

            dp[0][i] = i;

        }

        // 狀態轉移

        for (int i = 1; i <= m; i++) {

            for (int j = 1; j <= n; j++) {

                // 最後一個字元相等

                if (word1.charAt(i - 1) == word2.charAt(j  -1)) {

                    dp[i][j] = dp[i - 1][j - 1];

                // 不等則 在word1後增加word2的最後一個字元、刪除word1中最後一個字元，或將word1最後一個字元修改成和word2最後一個字元相同；取代價最小的一個

                } else {

                    dp[i][j] = Math.min(Math.min(dp[i][j - 1], dp[i - 1][j]), dp[i - 1][j - 1]) + 1;

                }

            }

        }

        return dp[m][n];

    }

}

4、零錢和揹包（10%）

322. 零錢兌換

給定不同面額的硬幣 coins 和一個總金額 amount。編寫一個函式來計算可以湊成總金額所需的最少的硬幣個數。如果沒有任何一種硬幣組合能組成總金額，返回 -1。

你可以認為每種硬幣的數量是無限的。

class Solution {

    public int coinChange(int[] coins, int amount) {

        // 狀態：dp[i] 表示湊夠i需要的最少硬幣數

        int[] dp = new int[amount + 1];

        // 求最小值，先初始為足夠大。(若能湊成，最多需要amount枚硬幣)

        Arrays.fill(dp, amount + 1);   

        // base case

        dp[0] = 0;

        for (int i = 1; i <= amount; i++) {

            for (int j = 0; j < coins.length; j++) {

                // 當前揹包（總金額）若能裝下物品（硬幣面額）

                if (i >= coins[j]) {

                    dp[i] = Math.min(dp[i - coins[j]] + 1, dp[i]);

                }

            }

        }

        return dp[amount] >= amount + 1 ? -1 : dp[amount];

    }

}

92 · 揹包問題

在 n 個物品中挑選若干物品裝入揹包，最多能裝多滿？假設揹包的大小為 m，每個物品的大小為 A[i]

public class Solution {

    public int backPack(int m, int[] A) {

        int n = A.length;

        //揹包容量為m，有前n個物品，能否將揹包裝滿

        boolean[][] dp = new boolean[m + 1][n + 1];

        //base case, 揹包容量為0時dp[0][x] = true; 揹包容量大於0但沒有物品時dp[x][0] = false，x > 0

        for (int i = 0; i <= n; i++) {

            dp[0][i] = true;

        }

        for (int i = 1; i <= m; i++) {

            for (int j = 1; j <= n; j++) {

                //如果前 j - 1 個就可以裝滿 i

                if (dp[i][j - 1]) {

                   dp[i][j] = true;

                } else if (i >= A[j - 1] && dp[i - A[j - 1]][j - 1]) {

                    dp[i][j] = true;

                }

            }

        }

        for (int i = m; i > 0; i--) {

            if (dp[i][n]) {

                return i;

            }

        }

        return 0;

    }

}

125 · 揹包問題 II

有 n 個物品和一個大小為 m 的揹包. 給定陣列 A 表示每個物品的大小和陣列 V 表示每個物品的價值. 問最多能裝入揹包的總價值是多大?

public class Solution {

    public int backPackII(int m, int[] A, int[] V) {

        int n = A.length;

        //揹包容量為m，有前n個物品時能裝入的最大價值

        int[][] dp = new int[m + 1][n + 1];

        //base case, dp[x][0] = dp[0][x] = 0

        for (int i = 1; i <= m; i++) {

            for (int j = 1; j <= n; j++) {

                //當前揹包能容納

                if (i >= A[j - 1]) {

                    dp[i][j] = Math.max(dp[i - A[j - 1]][j - 1] + V[j - 1], dp[i][j - 1]);

                } else {

                    dp[i][j] = dp[i][j - 1];

                }

            }

        }

        return dp[m][n];

    }

}

</list</list

LeetCode入門指南 之 動態規劃思想