动态规划

动态规划永远的神

这部分主要是学习了 labuladong 公众号中对于动态规划的讲解

刷了些 leetcode 题,在此做一些记录,不然没几天就忘光光了

题目

这部分内容直接上题目了,解题的路子都体现在题里了

70. 爬楼梯

509. 斐波那契数


5. 最长回文子串

516. 最长回文子序列


300. 最长递增子序列

53. 最大子序和

354. 俄罗斯套娃信封问题


1143. 最长公共子序列

583. 两个字符串的删除操作

712. 两个字符串的最小ASCII删除和

72. 编辑距离


416. 分割等和子集

279. 完全平方数

322. 零钱兑换

518. 零钱兑换 II


10. 正则表达式匹配

887. 鸡蛋掉落

198. 打家劫舍

213. 打家劫舍 II

337. 打家劫舍 III

121. 买卖股票的最佳时机

122. 买卖股票的最佳时机 II

123. 买卖股票的最佳时机 III

188. 买卖股票的最佳时机 IV

309. 最佳买卖股票时机含冷冻期

714. 买卖股票的最佳时机含手续费


139. 单词拆分

91. 解码方法

392. 判断子序列

62. 不同路径

64. 最小路径和

120. 三角形最小路径和

面试题 17.16. 按摩师


70. 爬楼梯

// 方法1-1:直接递归,超出时间限制
public int climbStairs(int n) { if(n <= 1){
return 1;
}
if(n == 2){
return 2;
}
return climbStairs(n-1) + climbStairs(n-2);
} // 方法1-2:用一个hashtable缓存结果,避免重复计算
Map<Integer ,Integer> cash = new HashMap<>();
public int climbStairs(int n) { if(n <= 1){
return 1;
} if(n == 2){
return 2;
} if(cash.containsKey(n)){
return cash.get(n);
} int result = climbStairs(n-1) + climbStairs(n-2);
cash.put(n, result); return result;
} // 方法2-1:动态规划,使用数组
// 1. 明确状态:dp[i], 爬到第i层的可能方案
// 2. 状态转移方程: dp[i] = dp[i-2] + dp[i-1]
// 3. 选择:dp[n] 爬n阶之后达到楼顶
// 4. base case: dp[1] = 1 dp[2] = 2
public int climbStairs(int n) { if(n <= 1){
return 1;
} int[] dp = new int[n+1]; dp[1] = 1;
dp[2] = 2; for(int i=3; i<=n; i++){
dp[i] = dp[i-1] + dp[i-2];
} return dp[n];
} // 方法2-2:动态规划,爬楼梯问题可以直接使用两个变量
public int climbStairs(int n) { if(n<=1){
return 1;
}else if(n == 2){
return 2;
}else{
int a=1, b=2;
for(int i=3; i<=n; i++){
int tmp = a + b;
a = b;
b = tmp;
}
return b;
}
}

509. 斐波那契数

// 方法1:暴力法
public int fib(int n) {
if(n == 0 || n == 1){
return n;
} return fib(n-1) + fib(n-2);
} // 方法2:带备忘录的递归解法
Map<Integer, Integer> map = new HashMap<>();
public int fib(int n) {
if(n == 0 || n == 1){
return n;
} if(map.containsKey(n)){
return map.get(n); }else{
int result = fib(n-1) + fib(n-2);
map.put(n, result);
return result;
}
} // 方法3:动态规划
// 1. 明确状态:dp[i] 第i个数
// 2. 状态转移方程:dp[i] = dp[i-1] + dp[i-2]
// 3. 明确选择:dp[n] 第n个斐波那契数
// 4. basecase: dp[1] = 1 dp[2] = 1;
public int fib(int n) {
if(n < 1) return 0;
if(n == 1 || n == 2) return 1; int[] dp = new int[n+1];
dp[1] = 1;
dp[2] = 1;
for(int i=3; i<=n; i++){
dp[i] = dp[i-1] + dp[i-2];
} return dp[n]; }

5. 最长回文子串

// 方法1:暴力法
public String longestPalindrome(String s) { int len = s.length();
if (len < 2) {
return s;
} // 记录最长回文子串
int maxLen = 1;
// 记录回文子串开始索引
int begin = 0;
// s.charAt(i) 每次都会检查数组下标越界,因此先转换成字符数组
char[] charArray = s.toCharArray(); // 枚举所有长度大于 1 的子串 charArray[i..j]
for (int i = 0; i < len - 1; i++) {
for (int j = i + 1; j < len; j++) {
// 当子串长度j - i + 1 小于 maxLen,则没必要去判断了
if (j - i + 1 > maxLen && validPalindromic(charArray, i, j)) {
maxLen = j - i + 1;
begin = i;
}
}
}
return s.substring(begin, begin + maxLen);
} /**
* 验证子串 s[left..right] 是否为回文串
*/
private boolean validPalindromic(char[] charArray, int left, int right) {
while (left < right) {
if (charArray[left] != charArray[right]) {
return false;
}
left++;
right--;
}
return true;
} // 方法2:动态规划
// 1.明确状态:dp[i][j] 表示字符串s[i...j]是否为回文子串
// 2.状态转移方程: dp[i][j] = dp[i+1][j-1] and (s[i] == s[j]),
// 这个dp数组是可以画图的,在状态转移时,前面的状态一定要已经好了,体现在代码中就是遍历dp数组的方向
// 3.选择:当dp[i][j]为true时,记录下此时的字符串起始与长度
// 4.base case: i==j 时, dp[i][j] 必为回文串
// 5.优化...emmmm
public String longestPalindrome(String s) { int length = s.length(); if(length < 2){
return s;
} int start = 0;
int maxLen = 1;
// 定义dp数组
boolean[][] dp = new boolean[length][length]; // base case
for(int i=0; i<length; i++){
dp[i][i] = true;
} // 开始遍历
for(int i=length-1; i>=0; i--){ // 状态1的转移
for(int j=i+1; j<length; j++){ // 状态2的转移
if(s.charAt(i) == s.charAt(j)){
if(j - i <= 2){
// 只有两个或者三个字符时,是不需要依赖前面的状态的
dp[i][j] = true;
}else{
// 而超过三个字符时,就依赖前面的状态了
dp[i][j] = dp[i+1][j-1];
}
}else{
dp[i][j] = false;
} // 只要 dp[i][j] == true 成立,就表示子串 s[i..j] 是回文,此时记录回文长度和起始位置
if(dp[i][j] == true && j-i+1 > maxLen){
start = i;
maxLen = j-i+1;
}
}
} return s.substring(start, start+maxLen);
} // 方法3:双指针,中心扩散法
public String longestPalindrome(String s) {
String res = "";
for(int i=0; i<s.length(); i++){
// 以s[i]为中心的最长回文子串
String s1 = palinedrome(s, i, i);
// 以s[i] 和 s[i+1] 为中心的最长回文子串
String s2 = palinedrome(s, i, i+1); res = res.length() > s1.length() ? res: s1;
res = res.length() > s2.length() ? res: s2;
} return res;
} private String palinedrome(String s, int l, int r){
// 防止索引越界
while(l>=0 && r<s.length() && s.charAt(l) == s.charAt(r)){
l--;
r++;
}
return s.substring(l+1, r); // 因为r是取不到的,因此不需要-1了
}

516. 最长回文子序列

// 1. 明确状态:dp[i][j],表示字符串s[i...j]中的最长回文子序列长度
// 2. 状态转移方程:
// 当s[i] == s[j] dp[i][j] = dp[i + 1][j - 1] + 2;
// 当s[i] != s[j] dp[i][j] = max(dp[i + 1][j], dp[i][j - 1]);
// 最终状态:dp[0][n - 1]
// 3. 选择:回文子序列的长度
// 4. base case:i==j 时, dp[i][j] 必为回文串
public int longestPalindromeSubseq(String s) { int n = s.length();
// 定义dp数组
int[][] dp = new int[n][n];
// base case
for(int i=0; i<n; i++){
dp[i][i] = 1;
} // 开始状态转移
for(int i=n-1; i>=0; i--){
for(int j=i+1; j<n; j++){
if(s.charAt(i) == s.charAt(j)){
// 它俩一定在最长回文子序列中
dp[i][j] = dp[i+1][j-1] + 2;
}else{
// 把i/j 加入后,s[i+1..j] 和 s[i..j-1] 谁的回文子序列更长?
dp[i][j] = Math.max(dp[i+1][j], dp[i][j-1]);
}
}
} return dp[0][n-1];
}

300. 最长递增子序列

// 动态规划求解
// 1. 明确状态:dp[i],表示数组nums[0...i]的最长子序列且i必须取
// 2. 确定状态转移方程:dp[i] = Math.max(dp[i], dp[j] + 1);
// 3. 选择:dp中的最大值
// 4. base case dp[i]=1;
public int lengthOfLIS(int[] nums) { // 定义了dp数组
int[] dp = new int[nums.length];
// base case
for(int i=0; i<nums.length; i++){
dp[i] = 1;
} for(int i=0; i<nums.length; i++){ // 状态转移
for(int j=0; j<i; j++){ // s[0...i]数组的最长递增子序列的情况,但是必须包含i元素的情况下
if(nums[i] > nums[j]){
dp[i] = Math.max(dp[i], dp[j] + 1);
}
}
} // 明确输出
int max = 1;
for(int i=0; i<dp.length; i++){
if(max < dp[i]){
max = dp[i];
}
} return max;
}

53. 最大子序和

// 动态规划求解
// 1. 明确状态:以nums[i]为结尾的「最大子数组和」为dp[i]
// 2. 确定状态转移方程:dp[i] = Math.max(nums[i], dp[i-1] + nums[i])
// 3. 选择:dp[n-1]
// 4. basecase dp[0]=nums[0];
public int maxSubArray(int[] nums) { int n = nums.length;
int[] dp = new int[n];
// base case
// 第一个元素前面没有子数组
dp[0] = nums[0]; // 状态转移方程
for(int i=1; i<n; i++){
// 要么自成一派,要么和前面的子数组合并
dp[i] = Math.max(nums[i], dp[i-1] + nums[i]);
} // 得到 nums 的最大子数组
int res = Integer.MIN_VALUE;
for (int i = 0; i < n; i++) {
res = Math.max(res, dp[i]);
}
return res; }

354. 俄罗斯套娃信封问题

public int maxEnvelopes(int[][] envelopes) {

    if(envelopes == null || envelopes.length == 0){
return 0;
} int n = envelopes.length;
// 按照w对envelopes进行升序排序,若h相同,则按照h降序排序
Arrays.sort(envelopes, new Comparator<int[]>() {
@Override
public int compare(int[] o1, int[] o2) {
return o1[0] == o2[0] ? o2[1] - o1[1] : o1[0] - o2[0];
}
}); // 对h数组寻找LIS (Longes Increasing Subsequence)300题的内容
int[] height = new int[n];
for(int i=0; i<n; i++){
height[i] = envelopes[i][1];
} return lengthOfLIS(height);
} // 求最长递增子序列,300题的内容
private int lengthOfLIS(int[] nums){ int n = nums.length;
int[] dp = new int[n];
for(int i=0; i<n; i++){
dp[i] = 1;
} for(int i=0; i<n; i++){
for(int j=0; j<i; j++){
if(nums[i] > nums[j]){
dp[i] = Math.max(dp[i], dp[j] + 1);
}
}
} int max = 1;
for(int i=0; i<n; i++){
if(max < dp[i]){
max = dp[i];
}
} return max;
}

1143. 最长公共子序列

// 方法1:自顶向下,带备忘录的方式
// 备忘录,消除重叠子问题
int[][] memo = null; public int longestCommonSubsequence(String text1, String text2) {
int m = text1.length();
int n = text2.length(); memo = new int[m][n];
for(int i=0; i<m; i++){
for(int j=0; j< n; j++){
memo[i][j] = -1;
}
} // 计算 s1[0..] 和 s2[0..] 的 lcs 长度
return dp(text1, 0, text2, 0);
} // 定义:计算 s1[i..] 和 s2[j..] 的最长公共子序列长度
private int dp(String s1, int i, String s2, int j){
// base case
if(i==s1.length() || j==s2.length()){
return 0;
} if(memo[i][j] != -1){
return memo[i][j];
} if(s1.charAt(i) == s2.charAt(j)){
// s1[i] 和 s2[j] 必然在 lcs 中,两个字符串都往后移动+1
// 加上 s1[i+1..] 和 s2[j+1..] 中的 lcs 长度,就是答案
memo[i][j] = 1 + dp(s1, i+1, s2, j+1);
}else{
// s1[i] 和 s2[j] 中至少有一个字符不在 lcs 中,
// 穷举三种情况的结果,取其中的最大结果
int condition1 = dp(s1, i+1, s2, j); // 删除s1中的字符
int condition2 = dp(s1, i, s2, j+1); // 删除s2中的字符
int condition3 = dp(s1, i+1, s2, j+1); // 其实这个可以不用的,因为已经包括在了上两种情况中
memo[i][j] = Math.max(condition1, Math.max(condition2, condition3));
} return memo[i][j];
} // 方法2:动态规划
// 1. 明确状态:dp[i][j] 为 s1[0..i-1] 和 s2[0..j-1] 的 lcs 长度
// 2. 确定状态转移:用两个指针i和j从后往前遍历s1和s2,
// 如果s1[i]==s2[j]那么这个字符一定在lcs中 如果s1[i]!=s2[j]这两个字符至少有一个不在lcs中
// 3. 明确选择:dp[m][n]为最长的lcs
// 4. basecase:dp[0][..] = dp[..][0] = 0
public int longestCommonSubsequence(String text1, String text2) { // 自底向上的递归
int m = text1.length(), n = text2.length();
int[][] dp = new int[m+1][n+1]; // 这里都+1,是为了给base case留位置 // 定义:s1[0..i-1] 和 s2[0..j-1] 的 lcs 长度为 dp[i][j]
// 目标:s1[0..m-1] 和 s2[0..n-1] 的 lcs 长度,即 dp[m][n]
// base case: dp[0][..] = dp[..][0] = 0 for (int i = 1; i <= m; i++) {
for (int j = 1; j <= n; j++) {
// 现在 i 和 j 从 1 开始,所以要减一
if (text1.charAt(i - 1) == text2.charAt(j - 1)) {
// s1[i-1] 和 s2[j-1] 必然在 lcs 中
dp[i][j] = 1 + dp[i - 1][j - 1];
}else{
// s1[i-1] 和 s2[j-1] 至少有一个不在 lcs 中
dp[i][j] = Math.max(dp[i-1][j], dp[i][j-1]);
}
}
} return dp[m][n];
}

583. 两个字符串的删除操作

// 这题目就是寻找最长公共子序列,同1143
public int minDistance(String word1, String word2) { int lcs = findlcs(word1, word2); return word1.length() - lcs + word2.length() - lcs;
} private int findlcs(String s1, String s2){ int m = s1.length(), n = s2.length(); int[][] dp = new int[m+1][n+1]; for(int i=1; i<=m; i++){
for(int j=1; j<=n; j++){
if(s1.charAt(i-1) == s2.charAt(j-1)){
dp[i][j] = 1 + dp[i-1][j-1];
}else{
dp[i][j] = Math.max(dp[i-1][j], dp[i][j-1]);
}
}
} return dp[m][n];
}

712. 两个字符串的最小ASCII删除和

// 自顶向下,带备忘录的方式
// 备忘录,消除重叠子问题
int[][] memo = null; public int minimumDeleteSum(String s1, String s2) { int m = text1.length();
int n = text2.length(); memo = new int[m][n];
for(int i=0; i<m; i++){
for(int j=0; j< n; j++){
memo[i][j] = -1;
}
} return dp(s1, 0, s2, 0);
} // 定义:将 s1[i..] 和 s2[j..] 删除成相同字符串,
// 最小的 ASCII 码之和为 dp(s1, i, s2, j)。
private int dp(String s1, int i, String s2, int j){
int res = 0;
// base case
if (i == s1.length()) {
// 如果 s1 到头了,那么 s2 剩下的都得删除
for (; j < s2.length(); j++)
res += s2.charAt(j);
return res;
}
if (j == s2.length()) {
// 如果 s2 到头了,那么 s1 剩下的都得删除
for (; i < s1.length(); i++)
res += s1.charAt(i);
return res;
} if (memo[i][j] != -1) {
return memo[i][j];
} if (s1.charAt(i) == s2.charAt(j)) {
// s1[i] 和 s2[j] 都是在 lcs 中的,不用删除
memo[i][j] = dp(s1, i + 1, s2, j + 1);
} else {
// s1[i] 和 s2[j] 至少有一个不在 lcs 中,删一个,选择更小的结果
memo[i][j] = Math.min(
s1.charAt(i) + dp(s1, i + 1, s2, j),
s2.charAt(j) + dp(s1, i, s2, j + 1)
);
}
return memo[i][j];
} // 动态规划
// 同1143,在其基础上修改些许内容即可
// 1. base case 需要修改
// 2. 状态转移方程需要修改一下
// 当s[i] == s[j] 时,不需要删除,就是前面的状态 dp[i][j] = dp[i - 1][j - 1];
// 当s[i] != s[j] 时, 取小的那个删除
public int minimumDeleteSum(String s1, String s2) {
// 自底向上的递归
int m = s1.length(), n = s2.length();
int[][] dp = new int[m+1][n+1]; // base case,当一个字符串为""时,剩下的字符串都要删除
for (int i = 1; i <= m; i++) {
dp[i][0] = dp[i-1][0] + s1.charAt(i-1);
} for (int j = 1; j <= n; j++) {
dp[0][j] = dp[0][j-1] + s2.charAt(j-1);
} for (int i = 1; i <= m; i++) {
for (int j = 1; j <= n; j++) {
// 现在 i 和 j 从 1 开始,所以要减一
if (s1.charAt(i - 1) == s2.charAt(j - 1)) {
// s1[i-1] 和 s2[j-1] 必然在 lcs 中
dp[i][j] = dp[i - 1][j - 1];
}else{
// s1[i-1] 和 s2[j-1] 至少有一个不在 lcs 中,删一个
dp[i][j] = Math.min(dp[i-1][j] + (int)s1.charAt(i-1), dp[i][j-1] + (int)s2.charAt(j-1));
}
}
} return dp[m][n];
}

72. 编辑距离

// 自顶向下的动态规划
int[][] cache; // 备忘录
public int minDistance(String word1, String word2) { int m = word1.length();
int n = word2.length();
cache = new int[m][n];
for(int i=0; i<m; i++){
for(int j=0; j<n; j++){
cache[i][j] = -1;
}
}
return dp(word1, m-1, word2, n-1);
} private int dp(String s1, int i, String s2, int j){
// base case
if(i == -1) return j+1;
if(j == -1) return i+1; if(cache[i][j] != -1){
return cache[i][j];
} if(s1.charAt(i) == s2.charAt(j)){
cache[i][j] = dp(s1, i-1, s2, j-1);
}else{
int insert = dp(s1, i, s2, j-1) + 1;
int del = dp(s1, i-1, s2, j) + 1;
int change = dp(s1, i-1, s2, j-1) + 1; cache[i][j] = Math.min(insert, Math.min(del, change));
} return cache[i][j];
} // 自底向上的动态规划
public int minDistance(String word1, String word2) { int m = word1.length();
int n = word2.length(); int[][] dp = new int[m+1][n+1]; // base case
for(int i=1; i<=m; i++){
dp[i][0] = i;
} for(int j=1; j<=n; j++){
dp[0][j] = j;
} // 自底向上的动态规划
for(int i=1; i<=m; i++){
for(int j=1; j<=n; j++){
if(word1.charAt(i-1) == word2.charAt(j-1)){
dp[i][j] = dp[i-1][j-1];
}else{
dp[i][j] = min(
dp[i][j-1] + 1, // 删除
dp[i-1][j-1] + 1, // 替换
dp[i-1][j] + 1 // 插入
);
}
}
} return dp[m][n]; } private int min(int a, int b, int c){
return Math.min(a, Math.min(b, c));
}

416. 分割等和子集

// 0-1背包问题,动态规划
// 1. 明确状态:背包的容量/可选的物品--->子集的和/集和中可选的数
// 2. 状态转移:dp[i][j] 对于集和中的i个数,是否能填满j容量的背包
// 3. 选择:装/不装 ---> 选/不选,最终:dp[N][sum/2],是否装满
// 4. base case:dp[..][0] = true dp[0][..] = false
public boolean canPartition(int[] nums) { int n = nums.length; int sum = 0;
for(int i=0; i<n; i++){
sum += nums[i];
} // 排除不可能情况
if(sum%2 != 0){
return false;
}
sum /= 2; // 等价背包容量 // dp数组的定义
boolean[][] dp = new boolean[n+1][sum+1]; // base case
for(int i=0; i<=n; i++){
// 当我还有元素,但是已经满足sum/2了
dp[i][0] = true;
}
for(int i=0; i<=sum; i++){
// 当我的元素没了,但是还没加到sum/2;
dp[0][i] = false;
} // 开始dp
for(int i=1; i<=n; i++){ // 状态1,元素个数增加
for(int j=1; j<=sum; j++){ // 状态2, 背包容量
// 判断能否装入
if(nums[i-1] > j){
// 放不下这个元素,这时的状态和i-1个物体时相同
dp[i][j] = dp[i-1][j];
}else{
// 能装下,则选择装/不装
// 不装 dp[i-1][j],就和之前的状态相同
// 装:dp[i-1][j - nums[i-1]],在装了i这个物体后背包的容量在有i-1个物体时的状态
dp[i][j] = dp[i-1][j] | dp[i-1][j - nums[i-1]];
}
}
} return dp[n][sum];
}

279. 完全平方数

// 完全背包问题
public int numSquares(int n) { int len = (int)Math.sqrt(n);
int[] nums = new int[len+1]; for(int i=1; i<=len; i++){
nums[i] = i*i;
} int[] dp = new int[n+1]; // base case:最坏的情况
for(int j=0; j<=n; j++){
dp[j] = j;
} for(int i=1; i<=len; i++){ // 状态1,可选的数字增加
for(int j=1; j<=n; j++){ // 状态2,容量
if(nums[i] > j){
// 装不进背包,子问题无解,跳过
continue;
}else{
// 能装下,则选择装/不装
dp[j] = Math.min(dp[j], dp[j-nums[i]] + 1);
}
}
}
return dp[n];
}

322. 零钱兑换

// 1. 暴力递归--->超出时间限制
public int coinChange(int[] coins, int amount) {
return dp(amount, coins);
} // 要凑出金额 n,至少要 dp(n) 个硬币
private int dp(int n, int[] coins){
if(n == 0) return 0;
if(n < 0) return -1; int res = 10000;
for(int i=0; i<coins.length; i++){
int sub = dp(n-coins[i], coins);
if (sub == -1){
continue;
}
res = Math.min(sub+1, res);
}
return res==10000 ? -1: res;
} // 2. 带备忘录的递归
HashMap<Integer, Integer> cache = new HashMap<>();
public int coinChange(int[] coins, int amount) {
return dp(amount, coins);
} // 要凑出金额 n,至少要 dp(n) 个硬币
private int dp(int n, int[] coins){ if(cache.containsKey(n)) return cache.get(n);
if(n == 0) return 0;
if(n < 0) return -1; int res = 10000;
for(int i=0; i<coins.length; i++){
int sub = dp(n-coins[i], coins);
if (sub == -1){
continue;
}
res = Math.min(sub+1, res);
}
int result = res==10000 ? -1: res;
cache.put(n, result);
return result;
} // 3. 动态规划
public int coinChange(int[] coins, int amount) { // 建立dp数组
int[] dp = new int[amount+1];
// base case
dp[0] = 0;
// 外层 for 循环在遍历所有状态的所有取值
for(int i=1; i<=amount; i++){
dp[i] = amount+1; // 最差的情况
for(int j=0; j<coins.length; j++){
// 子问题无解,跳过
if(i - coins[j] < 0) continue;
dp[i] = Math.min(dp[i], dp[i-coins[j]]+1);
}
} return dp[amount] == amount+1 ? -1: dp[amount];
}

518. 零钱兑换 II

// 完全背完问题,体现出来的就是物品可以重复使用
public int change(int amount, int[] coins) { int n = coins.length;
// dp数组定义
int[][] dp = new int[n+1][amount+1]; // base case
for(int j=0; j<=amount; j++){
dp[0][j] = 0;
}
for(int i=0; i<=n; i++){
// 总金额为0,则不适用任何硬币为一种凑法
dp[i][0] = 1;
} for(int i=1; i<=n; i++){ // 状态1:可选择的物品
for(int j=1; j<=amount; j++){ // 状态2:背包的容量
// 选择:装/不装
if(coins[i-1] > j){
// 硬币的额度大于余额,为原先的状态
dp[i][j] = dp[i-1][j];
}else{
// 状态转移
// dp[i-1][j] 用了 i-1 个硬币,在金额为j时的可能
// dp[i][j - coins[i-1]] 用了i个硬币的情况, i是关键
// i-1就是0-1背包,i不减1就是完全背包
// 最终的状态转移方程就是:使用了硬币i的可能+不适用i硬币的可能
dp[i][j] = dp[i-1][j] + dp[i][j - coins[i-1]];
}
}
} return dp[n][amount];
}

10. 正则表达式匹配

// 方法1:直接暴力法
public boolean isMatch(String s, String p) { if(p.length() == 0){
return s.length() == 0;
} // 匹配首位字符,s的首位字符和p的首位字符是否匹配
boolean fist = false;
if(s.length() != 0){
char s1 = s.charAt(0);
char p1 = p.charAt(0);
fist = (s1 == p1); // 首位字符是否匹配
if(p1 == '.'){ // p的首位字符是.的情况
fist = true;
}
}
// 判断*的情况
if(p.length() >= 2 && p.charAt(1) == '*'){
// 在pattern字符的第二位是*
return isMatch(s, p.substring(2, p.length())) ||
(fist && isMatch(s.substring(1, s.length()), p));
}else{
return fist && isMatch(s.substring(1, s.length()), p.substring(1, p.length()));
}
} // 暴力法 --> 带个备忘录的dp
int[][] cache; // 0:没算过 1:处理了为true -1:处理为false
public boolean isMatch(String s, String p) { cache = new int[s.length()+1][p.length()+1]; for(int i=0; i<=s.length(); i++){
for(int j=0; j<=p.length(); j++){
cache[i][j] = 0;
}
} return dp(s, 0, p, 0);
} private boolean dp(String s, int i, String p, int j){ if(cache[i][j] != 0){
return cache[i][j] == 1 ? true : false;
} if(j == p.length()){
return i == s.length();
} // 匹配首位字符
boolean fist = false;
if(i < s.length()){
fist = (s.charAt(i) == p.charAt(j));
if(p.charAt(j) == '.'){
fist = true;
}
} boolean ans = false;
if(p.length() - j >= 2 && p.charAt(j+1) == '*'){
ans = dp(s, i, p, j+2) || // 直接掉过*,即匹配0个
(fist && dp(s, i+1, p, j)); // 第一个字符是匹配的,则继续匹配任意多个
}else{
ans = fist && dp(s, i+1, p, j+1);
} if(ans){
cache[i][j] = 1;
}else{
cache[i][j] = -1;
} return ans;
}

887. 鸡蛋掉落

// 自顶向下递归:
int[][] cache;
public int superEggDrop(int K, int N) { cache = new int[K+1][N+1]; return dp(K, N);
} private int dp(int k, int n){ if(k == 1){
// 只有一个鸡蛋了,那只能一层一层尝试了
return n;
}
if(n==0){
// 第0层,不需要扔了,直接返回0
return 0;
} if(cache[k][n] != 0){
return cache[k][n];
} // 最坏的情况就是线性扔,从1-N
int res = n+1; // 下面的遍历会超市WTF
// 穷举所有可能的选择,这些选择都是从i层出发的最坏的情况下找到F的,然后找到最小移动的情况
// for(int i=1; i<=n; i++){
// // 最坏情况下的最少扔鸡蛋次数
// // min:首先从i层开始扔最终的扔的次数最少
// res = Math.min(
// res,
// Math.max( // max最坏,取后续两者的最大值
// dp(k-1, i-1), // 在i层碎了
// dp(k, n-i) // i层没碎
// ) + 1 // 在i层扔了一次鸡蛋,因此要+1
// );
// } // 修改为:这里用二分法进行优化操作
// 能用二分搜索是因为状态转移方程的函数图像具有单调性,可以快速找到最值
int lo=1, hi=n;
while( lo <= hi){
int mid = (lo + hi) / 2;
// 在mid层是否破了
int broken = dp(k-1, mid-1);
int not_broken = dp(k, n-mid); if(broken > not_broken){
hi = mid - 1;
res = Math.min(res, broken + 1);
}else{
lo = mid + 1;
res = Math.min(res, not_broken + 1);
}
} cache[k][n] = res; return cache[k][n];
} // 使用自底向上的写法
public int superEggDrop(int K, int N) { // 明确状态:dp[i][j] 有i个楼层k个鸡蛋找到F的最优情况
int[][] dp = new int[N+1][K+1]; // base case
for(int i=0; i<=N; i++){
// 只有一个鸡蛋,线性去扔鸡蛋
dp[i][1] = i;
} for(int i=1; i<=N; i++){
for(int k=2; k<=K; k++){
int res = Integer.MAX_VALUE;
/*
// dp[i][j] 有i个楼层k个鸡蛋找到F的最优情况
// 随机开始从i层扔鸡蛋,找最优情况
for(int j=1; j<=i; j++){
res = Math.min(
res,
Math.max( // 对于F的最坏情况
dp[j-1][k-1], // 碎了
dp[i-j][k] // 没碎
) + 1
);
}
*/
// 二分不超时
int lo = 1, hi = i;
while( lo <= hi){
int mid = (lo + hi) / 2;
// 在mid层是否破了
int broken = dp[mid-1][k-1];
int not_broken = dp[i-mid][k]; if(broken > not_broken){
hi = mid - 1;
res = Math.min(res, broken + 1);
}else{
lo = mid + 1;
res = Math.min(res, not_broken + 1);
}
}
dp[i][k] = res;
}
} return dp[N][K];
}

198. 打家劫舍

public int rob(int[] nums) {

    int n = nums.length;

    if(n == 0){
return 0;
} // 明确状态:dp[i] 表示偷[0..i]间房子的最大值
int[] dp = new int[n+1]; // base case
dp[0] = 0;
dp[1] = nums[0]; for(int i=2; i<=n; i++){
// 状态转移方程:
// 第i间屋子偷/不偷哪个情况能取最大
dp[i] = Math.max(dp[i-2]+nums[i-1], dp[i-1]);
} return dp[n];
}

213. 打家劫舍 II

public int rob(int[] nums) {

    int n = nums.length;

    if(n == 0){
return 0;
} // 明确状态:dp[i] 表示偷[0..i]间房子的最大值
int[] dp = new int[n+1]; // case 1: 偷第一家,则最后一家不能偷了
// base case
dp[0] = 0;
dp[1] = nums[0];
for(int i=2; i<n; i++){
dp[i] = Math.max(dp[i-2] + nums[i-1], dp[i-1]);
}
// int res1 = dp[n-1];
// 解决只有一家的情况
int res1 = Math.max(dp[n-1], dp[n]); // case 2: 第一家不偷,我能偷最后一家
dp[0] = 0;
dp[1] = 0;
for(int i=2; i<=n; i++){
dp[i] = Math.max(dp[i-2] + nums[i-1], dp[i-1]);
}
int res2 = dp[n]; return Math.max(res1, res2);
}

337. 打家劫舍 III

// 自顶向下的备忘录
Map<TreeNode, Integer> cache = new HashMap<>();
public int rob(TreeNode root) { if(root == null){
return 0;
} if(cache.containsKey(root)){
return cache.get(root);
} // 进行选择
// 抢,然后只能偷该节点的子节点的子节点
int steal = root.val +
(root.left == null ? 0 : rob(root.left.left) + rob(root.left.right)) +
(root.right == null ? 0 : rob(root.right.left) + rob(root.right.right));
// 不抢,那能偷该节点的子节点
int not_steal = rob(root.left) + rob(root.right); // 上述两者取最大作为当前节点的最大情况
int res = Math.max(steal, not_steal);
cache.put(root, res); return res;
}

121. 买卖股票的最佳时机

// 暴力法1:超出时间限制 201/210
public int maxProfit(int[] prices) { int res=0; // 遍历所有可能
for(int i=0; i<prices.length; i++){
for(int j=i+1; j<prices.length; j++){
if(prices[j] - prices[i] > res){
res = prices[j] - prices[i];
}
}
} return res;
} // 暴力法2:这里其实已经有动态规划的意思在了
public int maxProfit(int[] prices) { int res = 0;
// 固定买出时间
int cur_min = prices[0];
for(int j=1; j<prices.length; j++){
// 寻找最低买入价格的时间,遍历一遍肯定能找到最小值
cur_min = Math.min(cur_min, prices[j]);
// 计算最佳时机
res = Math.max(res, prices[j] - cur_min);
}
return res;
} // 动态规划
public int maxProfit(int[] prices) { int n = prices.length; // 定义dp数组表示第i天的最大收入,有2个状态,
// i:天数 j:持有股票的状态 0-没持有 1-持有
int[][] dp = new int[n][2]; // base case
dp[0][0] = 0; // 第1天没持有,当然是0
dp[0][1] = -prices[0]; // 第1天持有,收益当然是负的 // 开始状态转移
for(int i=1; i<n; i++){
// 第i天没持有,可以由:上一天没持有 / 上一天持有,这一天卖了 转移而来
dp[i][0] = Math.max(dp[i-1][0], dp[i-1][1]+prices[i]);
// 第i天持有,可以由:上一天没持有 这一天买入/上一天持有 转移而来
// 这里不是 dp[i-1][0]-prices[i] 而是 -prices[i] 是因为只能卖一次
dp[i][1] = Math.max(-prices[i], dp[i-1][1]);
} // 最终输出:第n天,没持有股票
return dp[n-1][0];
}

122. 买卖股票的最佳时机 II

// 贪心:说明:买出后其实还可以在当天买入的!!!
public int maxProfit(int[] prices) { int max = 0;
for(int i=1; i<prices.length; i++){
if(prices[i] > prices[i-1]){
max += prices[i] - prices[i-1];
}
}
return max;
} // 暴力法:
public int maxProfit(int[] prices) {
return dp(prices, 0);
} private int dp(int[] prices, int index){ int res = 0; // 暴力计算从第i天买入股票的情况
for(int i=index; i<prices.length; i++){
// 暴力计算j天买出股票的情况
for(int j=i+1; j<prices.length; j++){
res = Math.max(
res,
dp(prices, j+1) + // 剩下j到最后一天的最大情况
+ prices[j] - prices[i] // i天买入j天买出赚的
);
}
} return res;
} // 暴力法:优化--->加了备忘录
int[] cache;
public int maxProfit(int[] prices) { cache = new int[prices.length];
Arrays.fill(cache, -1); return dp(prices, 0);
} private int dp(int[] prices, int index){ int res = 0; if(index >= prices.length){
return 0;
} if(cache[index] != -1){
return cache[index];
}
// 消除一层循环
int cur_min = prices[index];
for(int i=index+1; i<prices.length; i++){
cur_min = Math.min(cur_min, prices[i]);
res = Math.max(res, dp(prices, i+1) + prices[i] - cur_min);
} cache[index] = res; return res;
} // 动态规划
public int maxProfit(int[] prices) { int n = prices.length; // 定义dp数组表示第i天的最大收入,
// 有2个状态,i:天数 j:持有股票的状态 0-没持有 1-持有
int[][] dp = new int[n][2]; // base case
dp[0][0] = 0; // 第1天没持有,当然是0
dp[0][1] = -prices[0]; // 第1天持有,收益当然是负的 // 开始状态转移
for(int i=1; i<n; i++){
// 第i天没持有,可以由 上一天没持有/上一天持有,这一天卖了 转移而来
dp[i][0] = Math.max(dp[i-1][0], dp[i-1][1]+prices[i]);
// 第i天持有,可以由 上一天没持有 这一天买入/上一天持有 转移而来
dp[i][1] = Math.max(dp[i-1][0]-prices[i], dp[i-1][1]);
} // 最终输出:第n天,没持有股票
return dp[n-1][0];
}

123. 买卖股票的最佳时机 III

// 自顶向下的递归:超时 205 / 214
int[][] cache;
public int maxProfit(int[] prices) { cache = new int[prices.length][2]; return dp(prices, 0, 2);
} private int dp(int[] prices, int index, int k){ int res = 0; if(index >= prices.length){
return 0;
}
// 只能进行k笔交易,大于k笔交易后不能再交易了,返回0
if(k==0){
return 0;
} if(cache[index][k-1] != 0){
return cache[index][k-1];
} int cur_min = prices[index];
for(int i=index+1; i<prices.length; i++){
cur_min = Math.min(cur_min, prices[i]);
res = Math.max(res, dp(prices, i+1, k-1) + prices[i] - cur_min);
} cache[index][k-1] = res; return res;
} // 动态规划:状态转移,即穷举所有的状态
public int maxProfit(int[] prices) { int n = prices.length;
int k = 2; // 只能交易两次 if(n <= 1){
return 0;
} // 定义dp数组,有三个状态,i:天数 j:可交易数 k:持有股票的状态 ,如
// dp[3][2][1] 第3天 还能交易2次 手上有股票
// dp[4][1][0] 第4天 还能交易1次 手上无股票
// 最终的答案为:dp[n-1][K][0] 最后一天,最多K此交易,此时也没股票了
int[][][] dp = new int[n][k+1][2]; // base case
// 当交易次数为0次时,不可能持有股票
for(int i=0; i<n; i++){
dp[i][0][1] = Integer.MIN_VALUE;
}
// 在第1天时,若这一天买入股票,则收益为负的
for(int j=1; j<=k; j++){
dp[0][j][1] = -prices[0];
} // 开始状态转移
for(int i=1; i<n; i++){ // 天数转移
for(int j=k; j > 0; j--){ // 可交易次数的转移
// 0:无股票状态
dp[i][j][0] = Math.max(dp[i-1][j][0], dp[i-1][j][1] + prices[i]);
// 1:有股票状态
dp[i][j][1] = Math.max(dp[i-1][j][1], dp[i-1][j-1][0] - prices[i]);
}
} return dp[n-1][k][0];
}

188. 买卖股票的最佳时机 IV

// 暴力法:优化--->加了备忘录
int[][] cache;
public int maxProfit(int k, int[] prices) { cache = new int[prices.length][k]; return dp(prices, 0, k);
} private int dp(int[] prices, int index, int k){ int res = 0; if(index >= prices.length){
return 0;
}
// 只能进行k笔交易,大于k笔交易后不能再交易了,返回0
if(k==0){
return 0;
} if(cache[index][k-1] != 0){
return cache[index][k-1];
} int cur_min = prices[index];
for(int i=index+1; i<prices.length; i++){
cur_min = Math.min(cur_min, prices[i]);
res = Math.max(res, dp(prices, i+1, k-1) + prices[i] - cur_min);
} cache[index][k-1] = res; return res;
} // 动态规划:状态转移,即穷举所有的状态
// 对于k的优化点:若k大于price的一半,则这个k就不是限制条件了
public int maxProfit(int k, int[] prices) { int n = prices.length; if(n <= 1){
return 0;
} // 定义dp数组,有三个状态,i:天数 j:可交易数 k:持有股票的状态 ,如
// dp[3][2][1] 第3天 还能交易2次 手上有股票
// dp[4][1][0] 第4天 还能交易1次 手上无股票
// 最终的答案为:dp[n-1][K][0] 最后一年,最多K此交易,此时也没股票了
int[][][] dp = new int[n][k+1][2]; // base case
// 当交易次数为0次时,不可能持有股票
for(int i=0; i<n; i++){
dp[i][0][1] = Integer.MIN_VALUE;
}
// 在第1天时,若这一天买入股票,则收益为负的
for(int j=1; j<=k; j++){
dp[0][j][1] = -prices[0];
} // 开始状态转移
for(int i=1; i<n; i++){ // 天数转移
for(int j=k; j > 0; j--){ // 可交易次数的转移
dp[i][j][0] = Math.max(dp[i-1][j][0], dp[i-1][j][1] + prices[i]); // 0:无股票状态
dp[i][j][1] = Math.max(dp[i-1][j][1], dp[i-1][j-1][0] - prices[i]); // 1:有股票状态
}
} return dp[n-1][k][0];
}

309. 最佳买卖股票时机含冷冻期

// 暴力法:优化--->加了备忘录
int[] cache;
public int maxProfit(int[] prices) { cache = new int[prices.length];
Arrays.fill(cache, -1); return dp(prices, 0);
} private int dp(int[] prices, int index){ int res = 0; if(index >= prices.length){
return 0;
} if(cache[index] != -1){
return cache[index];
} int cur_min = prices[index];
for(int i=index+1; i<prices.length; i++){
cur_min = Math.min(cur_min, prices[i]);
// 冷冻期体现在: i+2而不是之前的i+1了
res = Math.max(res, dp(prices, i+2) + prices[i] - cur_min);
} cache[index] = res; return res;
} // 动态规划
public int maxProfit(int[] prices) { int n = prices.length; if(n <= 1){
return 0;
} // 定义dp数组表示第i天的最大收入,有2个状态,i:天数 j:持有股票的状态 0-没持有 1-持有
int[][] dp = new int[n][2]; // base case
dp[0][0] = 0;
dp[0][1] = -prices[0]; // 第一天持有,结果当然是负的
dp[1][0] = Math.max(dp[0][0], dp[0][1] + prices[1]);
// 第二天持有:第一天没持有,第二天买入 / 第一天持有
dp[1][1] = Math.max(-prices[1], dp[0][1]); // 开始状态转移
for(int i=2; i<n; i++){
// 第i天没持有,可以由 上一天没持有/上一天持有,这一天卖了 转移而来
dp[i][0] = Math.max(dp[i-1][0], dp[i-1][1]+prices[i]);
// 第i天持有,可以由 上两天没持有(要求隔一天) 这一天买/上一天持有 转移而来
dp[i][1] = Math.max(dp[i-2][0]-prices[i], dp[i-1][1]);
} // 最终输出:第n天,没持有股票
return dp[n-1][0];
}

714. 买卖股票的最佳时机含手续费

// 暴力法:优化--->加了备忘录
// 超时:34 / 44
int[] cache;
public int maxProfit(int[] prices, int fee) { cache = new int[prices.length];
Arrays.fill(cache, -1); return dp(prices, 0, fee);
} private int dp(int[] prices, int index, int fee){ int res = 0; if(index >= prices.length){
return 0;
} if(cache[index] != -1){
return cache[index];
} int cur_min = prices[index];
for(int i=index+1; i<prices.length; i++){
cur_min = Math.min(cur_min, prices[i]);
// 手续费体现了 -fee 这一项
res = Math.max(res, dp(prices, i+1, fee) + prices[i] - cur_min - fee);
} cache[index] = res; return res;
} // 动态规划
public int maxProfit(int[] prices, int fee) { int n = prices.length; // 定义dp数组表示第i天的最大收入,有2个状态,i:天数 j:持有股票的状态 0-没持有 1-持有
int[][] dp = new int[n][2]; // base case
dp[0][0] = 0;
dp[0][1] = -prices[0]; // 第一天持有,结果当然是负的 // 开始状态转移
for(int i=1; i<n; i++){
// 第i天没持有,可以由 上一天没持有/上一天持有,这一天卖了 转移而来
dp[i][0] = Math.max(dp[i-1][0], dp[i-1][1]+prices[i]-fee); // 加了个手续费
// 第i天持有,可以由 上一天没持有 这一天买入/上一天持有 转移而来
dp[i][1] = Math.max(dp[i-1][0]-prices[i], dp[i-1][1]);
} // 最终输出:第n天,没持有股票
return dp[n-1][0];
}

139. 单词拆分

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

    int n = s.length();
boolean[] dp = new boolean[n+1]; // base case
dp[0] = true; // 确定状态:d[i] 表示字符串前i个字符是否在WordDict中
for(int i=1; i<=n; i++){
for(int j=0; j<i; j++){
// 状态转移方程:
dp[i] = dp[j] && wordDict.contains(s.substring(j, i));
if(dp[i]) break;
}
} return dp[n];
} // 这个效率高很多
public boolean wordBreak(String s, List<String> wordDict) {
Set<String> set = new HashSet<>();
for(String str:wordDict){
set.add(str);
} // dp[i]表示s前i个字符能否拆分
// dp[8] = dp[5] + check("pen")
// 翻译一下:前八位能否拆分取决于前五位能否拆分,加上五到八位是否属于字典
boolean[] dp = new boolean[s.length()+1];
dp[0] = true;
for(int i=1; i<=s.length(); i++){
for(int j=i-1; j>=0; j--){
dp[i] = dp[j] && set.contains(s.substring(j,i));
if(dp[i]) break;
}
}
return dp[s.length()];
}

91. 解码方法

// 第一个独立做出来的动态规划!!! 虽然想了很久
public int numDecodings(String s) { int n = s.length(); // 明确状态:dp[i] s[0...i]个字符能解码的总数
int[] dp = new int[n+1]; // base case
if(s.charAt(0) == '0'){
return 0;
}else{
dp[0] = 1;
dp[1] = 1;
} for(int i=2; i<=n; i++){ // 当前第i个字符
int s1 = (int)s.charAt(i-1) - '0';
// 当前第i个字符和前面i-1个字符组成的二位数
int s2 = ((int)s.charAt(i-2) - '0') * 10 + s1;
// 状态转移方程:
if(s1 != 0 && (s2 <= 26 && s2 >= 10)){
// 当s1和s2都能解码
dp[i] = dp[i-1] + dp[i-2];
}else if(s1 != 0){
// 只有当s1能解码
dp[i] = dp[i-1];
}else if(s2 <= 26 && s2 >= 10){
// 只有当s2能解码
dp[i] = dp[i-2];
}
else{
// s1和s2都无法解码,直接进就是不合法的情况
return 0;
}
}
return dp[n];
}

392. 判断子序列

// 双指针
public boolean isSubsequence(String s, String t) { int i=0;
int j=0;
while(i<s.length() && j<t.length()){
if(s.charAt(i) == t.charAt(j)){
i++;j++;
}else{
j++;
}
} if(i==s.length()){
return true;
}else{
return false;
} } // 动态规划,方式1,选择最长子序列,同1143
public boolean isSubsequence(String s, String t) { int m = s.length();
int n = t.length(); // 状态定义:dp[i][j] 表示s[0...i] 是否为 s[0...j] 的子序列
int[][] dp = new int[m+1][n+1]; // base case
for(int i=0; i<=m; i++){
// t为空时,肯定就不是了
dp[i][0] = 0;
}
for(int j=0; j<=n; j++){
// s为空,可以把t全部删除,是子序列,但长度就是0
dp[0][j] = 0;
} // 状态转移
for(int i=1; i<=m; i++){
for(int j=i; j<=n; j++){
if(s.charAt(i-1) == t.charAt(j-1)){
// 只有字符相等,才让匹配的长度+1
dp[i][j] = dp[i-1][j-1] + 1;
}else{
// 否则就去之前匹配的最大长度
dp[i][j] = Math.max(dp[i][j-1], dp[i-1][j]);
}
}
} return dp[m][n] == m;
} // 动态规划:比上的合适,更加适合这题
public boolean isSubsequence(String s, String t) { int m = s.length();
int n = t.length(); // 状态定义:dp[i][j] 表示s[0...i] 是否为 s[0...j] 的子序列
boolean[][] dp = new boolean[m+1][n+1]; // base case
for(int i=0; i<=m; i++){
// t为空时,肯定就不是了
dp[i][0] = false;
}
for(int j=0; j<=n; j++){
// s为空,可以把t全部删除,是子序列
dp[0][j] = true;
} // 状态转移
for(int i=1; i<=m; i++){
for(int j=i; j<=n; j++){
// 下面就是状态转移方程:
if(s.charAt(i-1) == t.charAt(j-1)){
dp[i][j] = dp[i-1][j-1];
}else{
dp[i][j] = dp[i][j-1];
}
}
} return dp[m][n];
}

62. 不同路径

// 自顶向下:带备忘录的递归
int[][] cache;
public int uniquePaths(int m, int n) { cache = new int[m+1][n+1]; return dp(m, n);
} private int dp(int m, int n){
// base case:
if((m==1 && n==2) || (m==2 && n==1)){
return 1;
} if(m==1 || n==1){
return 1;
} if(m < 1 || n < 1){
return 0;
} if(cache[m][n] != 0){
return cache[m][n];
} cache[m][n] = dp(m-1, n) + dp(m, n-1);
return cache[m][n];
} // 自顶向下:带备忘录的递归---优化
int[][] cache;
public int uniquePaths(int m, int n) { cache = new int[m+1][n+1]; return dp(m, n);
} private int dp(int m, int n){
// base case:
if(m==1 || n==1){
return 1;
}
if(cache[m][n] != 0){
return cache[m][n];
} cache[m][n] = dp(m-1, n) + dp(m, n-1);
return cache[m][n];
} // 自底向上,dp
public int uniquePaths(int m, int n) { // 明确状态 dp[i][j] 在i和j位置时的可能
int[][] dp = new int[m+1][n+1]; // base case
dp[1][1] = 1;
for(int i=1; i<=m; i++){
dp[i][1] = 1;
}
for(int j=1; j<=n; j++){
dp[1][j] = 1;
} for(int i=2; i<=m; i++){
for(int j=2; j<=n; j++){
dp[i][j] = dp[i-1][j] + dp[i][j-1];
}
} return dp[m][n];
}

64. 最小路径和

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

    int m = grid.length;
int n = grid[0].length; // 明确状态: dp[i][j] 从起始点到 i,j坐标的最小值
int[][] dp = new int[m][n]; // base case
dp[0][0] = grid[0][0];
for(int i=1; i<m; i++){
dp[i][0] += grid[i][0] + dp[i-1][0];
}
for(int j=1; j<n; j++){
dp[0][j] += grid[0][j] + dp[0][j-1];
} // 状态转移
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];
}

120. 三角形最小路径和

// 这题目就是和找最下的路径相同的,只是这里的走法略有不同,可以向下/右下走
public int minimumTotal(List<List<Integer>> triangle) { int m = triangle.size();
int n = triangle.get(m-1).size(); // 明确状态 dp[i][j] 表示在i行j位置时的最小值
int[][] dp = new int[m][n]; // base case
dp[0][0] = triangle.get(0).get(0);
for(int i=1; i<m; i++){
dp[i][0] = dp[i-1][0] + triangle.get(i).get(0);
dp[i-1][i] = 10000; // 这是题目条件给的最大值
} // 进行状态转移
for(int i=1; i<m; i++){
for(int j=1; j<triangle.get(i).size(); j++){
dp[i][j] = Math.min(dp[i-1][j-1], dp[i-1][j]) + triangle.get(i).get(j);
}
} // 走完了,在最下一行找最小值
int min = Integer.MAX_VALUE;
for(int j=0; j<n; j++){
if(dp[m-1][j] < min){
min = dp[m-1][j];
}
}
return min;
}

面试题 17.16. 按摩师

// 动态规划:同小偷问题
public int massage(int[] nums) { int n = nums.length; if(n <= 0){
return 0;
} // 明确状态:dp[i] 来了i个预约的最长时间
int[] dp = new int[n+1]; // base case
dp[0] = 0;
dp[1] = nums[0]; // 开始状态转移
for(int i=2; i<=n; i++){
// 接:上次不接+这次接 不接:上次接的情况
dp[i] = Math.max(dp[i-1], dp[i-2] + nums[i-1]);
} return dp[n];
}

746. 使用最小花费爬楼梯

public int minCostClimbingStairs(int[] cost) {

    int n = cost.length;

    if(n <= 0){
return 0;
} // 给cost加一层,作为无消耗的一层
int[] new_cost = new int[n+1];
System.arraycopy(cost, 0, new_cost, 0, n);
new_cost[n] = 0;
n += 1; // 明确状态:dp[i] 在第i个阶梯所消耗的体力
int[] dp = new int[n+1]; // base case
dp[0] = 0;
dp[1] = new_cost[0]; for(int i=2; i<=n; i++){
dp[i] = Math.min(dp[i-2], dp[i-1]) + new_cost[i-1];
} return dp[n];
}

LeetCode:动态规划的更多相关文章

  1. 快速上手leetcode动态规划题

    快速上手leetcode动态规划题 我现在是初学的状态,在此来记录我的刷题过程,便于以后复习巩固. 我leetcode从动态规划开始刷,语言用的java. 一.了解动态规划 我上网查了一下动态规划,了 ...

  2. [LeetCode] 动态规划入门题目

    最近接触了动态规划这个厉害的方法,还在慢慢地试着去了解这种思想,因此就在LeetCode上面找了几道比较简单的题目练了练手. 首先,动态规划是什么呢?很多人认为把它称作一种"算法" ...

  3. LeetCode 动态规划

    动态规划:适用于子问题不是独立的情况,也就是各子问题包含子子问题,若用分治算法,则会做很多不必要的工作,重复的求解子问题,动态规划对每个子子问题,只求解一次将其结果保存在一张表中,从而避免重复计算. ...

  4. LeetCode动态规划题总结【持续更新】

    以下题号均为LeetCode题号,便于查看原题. 10. Regular Expression Matching 题意:实现字符串的正则匹配,包含'.' 和 '*'.'.' 匹配任意一个字符,&quo ...

  5. leetcode动态规划题目总结

    Hello everyone, I am a Chinese noob programmer. I have practiced questions on leetcode.com for 2 yea ...

  6. House Robber III leetcode 动态规划

    https://leetcode.com/submissions/detail/56095603/ 这是一道不错的DP题!自己想了好久没有清晰的思路,参看大神博客!http://siukwan.sin ...

  7. Leetcode 动态规划 - 简单

    1. 最大子序和 (53) 给定一个整数数组 nums ,找到一个具有最大和的连续子数组(子数组最少包含一个元素),返回其最大和. 示例: 输入: [-2,1,-3,4,-1,2,1,-5,4], 输 ...

  8. [Leetcode][动态规划] 第935题 骑士拨号器

    一.题目描述 国际象棋中的骑士可以按下图所示进行移动:                           我们将 “骑士” 放在电话拨号盘的任意数字键(如上图所示)上,接下来,骑士将会跳 N-1 步 ...

  9. [Leetcode][动态规划] 第931题 下降路径最小和

    一.题目描述 给定一个方形整数数组 A,我们想要得到通过 A 的下降路径的最小和. 下降路径可以从第一行中的任何元素开始,并从每一行中选择一个元素.在下一行选择的元素和当前行所选元素最多相隔一列. 示 ...

  10. [Leetcode][动态规划] 零钱兑换

    一.题目描述 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. 示例 1: 输入: ...

随机推荐

  1. MySQL实战45讲(16--20)-笔记

    目录 16 | "order by"是怎么工作的? 全字段排序 rowid 排序 17 | 如何正确地显示随机消息? 内存临时表 磁盘临时表 随机排序方法 18 | 为什么这些SQ ...

  2. Lambda函数接口和方法构造器应用

    函数式接口 什么是函数式接口? 在java中'有且仅有一个抽象方法的接口',就称为函数式接口. 可以通过Lambda表达式来创建该接口的对象.(若Lambda表达式抛出一个受检异常,那么该异常需要在目 ...

  3. RMQ区间最值查询

    RMQ区间最值查询 概述 RMQ(Range Minimum/Maximum Query),即区间最值查询,是指这样一个问题:对于长度为n的数列A, 回答若干询问RMQ(A,i,j)(i,j<= ...

  4. Vmware 15 安装 win7 虚拟机 (初学者操作与详解教程)

    @ 目录 一.镜像下载 1.什么是镜像 2.常见的系统镜像文件格式 3.下载win7旗舰版镜像 二.VMware Workstation 下载 1.什么是虚拟机 2.VMware 主要功能 3.VMw ...

  5. SpringCloud 学习总结

    SpringCloud 学习总结 学习回顾 1.Maven依赖管理 ​ 在微服务项目中,我们一般是先创建一个父项目模块对整个项目的依赖进行版本限定和依赖控制,子模块继承父模块后,不需要再考虑版本和依赖 ...

  6. Percolator模型及其在TiKV中的实现

    一.背景 Percolator是Google在2010年发表的论文<Large-scale Incremental Processing Using Distributed Transactio ...

  7. 一起学习PHP中GD库的使用(三)

    上篇文章我们已经学习了一个 GD 库的应用,那就是非常常用的制作验证码的功能.不过在现实的业务开发中,这种简单的验证码已经使用得不多了,大家会制作出更加复杂的验证码来使用.毕竟现在的各种外挂软件已经能 ...

  8. html回车键搜索内容

    window.onkeydown = function(e){ // elsinput是搜索框 if(e.keyCode === 13 && elsinput.is(':focus') ...

  9. 苹果手机input输入文字消失,看不见

    这里的方法是: 原来字体是12号,改成15号或其他大一点的字号

  10. 转mybatis返回自增主键,亲测

    重点是获取对象的主键值而不是insert的返回值 Mybatis获取插入数据的主键时,返回值总是1xml里的写法 第一种方式 <insert id="insertLogin" ...