上篇主要是刷了两道真题(接龙数组和蜗牛 都是蓝桥杯2023的真题)有兴趣可以看看这个http://t.csdnimg.cn/AM9c2
动态规划(Dynamic Programming)常常是蓝桥杯的常见考点 拿下他能够为比赛拉开不少的差距 于是专门开了两篇来写这个 这一篇主要是分析思想为主 分享遇到这类题要怎样去思考
动态规划的实现通常包括以下几个步骤:
- 定义问题的状态:将原问题划分为若干个子问题,同时定义每个子问题的状态。状态可以是原问题的某个维度的变量,如数组的索引、字符串的长度等。
- 确定状态转移方程:分析子问题之间的关系,找出状态之间的转移关系。这可以通过观察问题的特点和递推关系来得到。状态转移方程描述了如何根据已知状态计算下一个状态的值。
- 初始化边界状态:确定最简单的子问题的解,也就是边界状态的值。通常需要将边界状态的值预先计算或初始化为已知的值。
- 通过迭代计算:根据状态转移方程和边界状态,通过迭代计算解决子问题,并将中间结果存储起来。这样,在计算后续子问题时,可以直接利用已计算的结果,避免重复计算。
- 求解原问题:根据子问题的解,通过状态转移方程得到原问题的解。
下面以一个经典的动态规划问题——「爬楼梯」为例进行说明:
问题描述:假设有一个n级的楼梯,每次可以爬1级或2级,求解爬到第n级楼梯的不同爬法总数。
分析思想:
- 定义状态:令dp[i]表示爬到第i级楼梯的不同爬法总数。
- 状态转移方程:由于每次可以爬1级或2级,那么爬到第i级楼梯的爬法总数等于爬到第(i-1)级楼梯的爬法总数加上爬到第(i-2)级楼梯的爬法总数,即dp[i] = dp[i-1] + dp[i-2]。
- 边界状态:当楼梯级数为1时,只有一种爬法;当楼梯级数为2时,有两种爬法。即dp[1] = 1,dp[2] = 2。
- 迭代计算:根据状态转移方程和边界状态,通过迭代计算dp数组的值,从dp[3]开始计算,一直计算到dp[n]。
- 求解原问题:最终得到dp[n]即为爬到第n级楼梯的不同爬法总数。
这个事情就非常简单了 只需要把你的思想用代码实现就好了
public class ClimbingStairs { public static int climbStairs(int n) { if (n == 1) { return 1; } if (n == 2) { return 2; } 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]; } public static void main(String[] args) { int n = 4; int ways = climbStairs(n); System.out.println("The number of distinct ways to climb " + n + " stairs is: " + ways); } }
下面分享一下我这段时间刷题总结出来的模板 如有失误请在评论区指出哦
一维动态规划
int n = ...; // 输入规模 int[] dp = new int[n]; // 初始化状态数组 dp[0] = ...; // 初始化边界条件 for (int i = 1; i < n; i++) { // 状态转移方程 dp[i] = ...; } return dp[n-1]; // 返回最终结果
这种模板适用于一维动态规划问题,其中 dp[i]
表示第 i
个状态的值。通过迭代计算并更新每个状态的值,最终得到最优解。
二维动态规划
int m = ...; // 第一个维度的大小 int n = ...; // 第二个维度的大小 int[][] dp = new int[m][n]; // 初始化状态数组 dp[0][0] = ...; // 初始化边界条件 for (int i = 0; i < m; i++) { for (int j = 0; j < n; j++) { // 状态转移方程 dp[i][j] = ...; } } return dp[m-1][n-1]; // 返回最终结果
这种模板适用于二维动态规划问题,其中 dp[i][j]
表示第 (i, j)
个状态的值。通过嵌套循环迭代计算并更新每个状态的值,最终得到最优解。
动态背包
int n = ...; // 物品数量 int W = ...; // 背包容量 int[] weights = ...; // 物品重量数组 int[] values = ...; // 物品价值数组 int[][] dp = new int[n+1][W+1]; // 初始化状态数组 for (int i = 1; i <= n; i++) { int weight = weights[i-1]; int value = values[i-1]; for (int j = 1; j <= W; j++) { if (j < weight) { dp[i][j] = dp[i-1][j]; } else { dp[i][j] = Math.max(dp[i-1][j], dp[i-1][j-weight] + value); } } } return dp[n][W]; // 返回最终结果
这种模板适用于背包问题,其中 dp[i][j] 表示在前 i 个物品中选择,在背包容量为 j 的情况下的最大价值。通过嵌套循环迭代计算并更新每个状态的值,最终得到背包能够装载的最大价值。
举一反三动态背包 思想总结
这类应用于一类优化问题,其中需要在给定的一组选择中做出最优决策,以获得最大的收益或最小的成本可以通过以下步骤来思考和解决:
- 定义状态:首先,需要明确问题的状态。通常,状态与问题的限制条件有关。在动态背包问题中,状态可以定义为背包容量、可选择的物品、物品的数量等。
- 确定状态转移方程:接下来,需要找到状态之间的转移关系。也就是说,如何根据已知的状态来计算下一个状态。状态转移方程通常是通过观察问题的特点和约束条件得出的。
- 处理边界情况:在动态规划中,边界情况通常是最简单的子问题,其解是已知的或可以直接计算的。对于动态背包问题,边界情况可能是背包容量为0或没有物品可选时的情况。
- 填充状态表格:根据定义的状态和状态转移方程,可以创建一个二维表格或数组来存储中间结果。通过遍历状态表格并计算每个单元格的值,填充整个表格。
- 求解最优解:根据问题的要求,可以从状态表格中读取最优解。例如,如果问题要求最大价值,则可以在表格的右下角找到最大值。