【LeetCode 热题100】BFS/DFS 实战:岛屿数量 & 腐烂的橘子(力扣200 / 994 )(Go语言版)

简介: 本篇博客详细解析了三道经典的动态规划问题:198. 打家劫舍(线性状态转移)、279. 完全平方数与322. 零钱兑换(完全背包问题)。通过 Go 语言实现,帮助读者掌握动态规划的核心思想及其实战技巧。从状态定义到转移方程,逐步剖析每道题的解法,并总结其异同点,助力解决更复杂的 DP 问题。适合初学者深入理解动态规划的应用场景和优化方法。

💰 动态规划实战:打家劫舍、完全平方数与零钱兑换(LeetCode 198 / 279 / 322)

本篇博客一次性带你掌握三道 LeetCode 中经典的动态规划(DP)题目:

  • 🏠 198. 打家劫舍(House Robber)
  • 🟩 279. 完全平方数(Perfect Squares)
  • 💸 322. 零钱兑换(Coin Change)

它们覆盖了动态规划中的线性状态转移完全背包问题,以及最小子结构决策问题


🏠 一、198. 打家劫舍

📌 题目描述

一排房子,每个房子里有一定金额的钱,不能偷相邻的两个房子。求最多能偷多少钱?


💡 解题思路

这是一个典型的线性动态规划问题。

dp[i] 表示前 i 个房子最多能偷的钱:

  • 偷第 i 个房子 → 前 i - 2 个房子最大值 + nums[i]
  • 不偷第 i 个房子 → 前 i - 1 个房子最大值

状态转移方程为:

dp[i] = max(dp[i-1], dp[i-2] + nums[i])

✅ Go 实现(空间优化版)

func rob(nums []int) int {
   
    if len(nums) == 0 {
   
        return 0
    }
    if len(nums) == 1 {
   
        return nums[0]
    }
    prev, curr := 0, 0
    for _, num := range nums {
   
        prev, curr = curr, max(curr, prev+num)
    }
    return curr
}

func max(a, b int) int {
   
    if a > b {
   
        return a
    }
    return b
}

🟩 二、279. 完全平方数

📌 题目描述

给你一个整数 n,将其表示为若干个完全平方数的和,求这些数的最少数量。


💡 解题思路

这是一个典型的完全背包问题。

  • 状态定义:dp[i] 表示组成 i 所需的最少平方数数量;
  • 状态转移:尝试每一个 j*j <= i 的平方数:
dp[i] = min(dp[i], dp[i - j*j] + 1)

✅ Go 实现

func numSquares(n int) int {
   
    dp := make([]int, n+1)
    for i := 1; i <= n; i++ {
   
        dp[i] = i // 最坏情况:1+1+1+...+1
        for j := 1; j*j <= i; j++ {
   
            dp[i] = min(dp[i], dp[i - j*j] + 1)
        }
    }
    return dp[n]
}

func min(a, b int) int {
   
    if a < b {
   
        return a
    }
    return b
}

💸 三、322. 零钱兑换

📌 题目描述

给定不同面额的硬币 coins 和总金额 amount,求最少的硬币数量使得总金额为 amount。如果没有一种组合能组成,返回 -1。


💡 解题思路

也是典型的完全背包问题,区别在于:

  • 目标是最小硬币数
  • 状态定义:dp[i] 表示组成金额 i 所需最少的硬币数
  • 初始化:dp[0] = 0,其余为 inf(表示不可达)

状态转移方程:

dp[i] = min(dp[i], dp[i - coin] + 1)

✅ Go 实现

func coinChange(coins []int, amount int) int {
   
    dp := make([]int, amount+1)
    for i := 1; i <= amount; i++ {
   
        dp[i] = amount + 1
    }

    for _, coin := range coins {
   
        for i := coin; i <= amount; i++ {
   
            dp[i] = min(dp[i], dp[i - coin] + 1)
        }
    }

    if dp[amount] > amount {
   
        return -1
    }
    return dp[amount]
}

🔚 总结对比

题目 本质 状态定义 特点
打家劫舍 线性DP dp[i] 表示前 i 间房最多可偷金额 不能连续取相邻元素
完全平方数 完全背包 dp[i] 表示组成 i 所需的最少平方数个数 类似零钱兑换
零钱兑换 完全背包 dp[i] 表示组成金额 i 最少硬币数 与完全平方数模型一致

📘 写在最后

这三道题虽然看起来背景完全不同,但本质上都属于一维动态规划问题,熟悉它们可以极大提升你解决复杂 DP 问题的能力。

建议继续练习类似题目:

    1. 打家劫舍 II(环形房屋)
    1. 三角形最小路径和
    1. 最长递增子序列

目录
相关文章
|
1月前
|
存储 人工智能 Go
Go-Zero全流程实战即时通讯
Go-Zero 是一个功能丰富的微服务框架,适用于开发高性能的即时通讯应用。它具备中间件、工具库和代码生成器,简化开发流程。本文介绍其环境搭建、项目初始化及即时通讯功能实现,涵盖用户认证、消息收发和实时推送,帮助开发者快速上手。
171 0
|
1月前
|
数据采集 Go API
Go语言实战案例:多协程并发下载网页内容
本文是《Go语言100个实战案例 · 网络与并发篇》第6篇,讲解如何使用 Goroutine 和 Channel 实现多协程并发抓取网页内容,提升网络请求效率。通过实战掌握高并发编程技巧,构建爬虫、内容聚合器等工具,涵盖 WaitGroup、超时控制、错误处理等核心知识点。
|
1月前
|
Go 开发者
Go语言实战案例:使用select监听多个channel
本文为《Go语言100个实战案例 · 网络与并发篇》第5篇,详解Go并发核心工具`select`的使用。通过实际案例讲解如何监听多个Channel、实现多任务处理、超时控制和非阻塞通信,帮助开发者掌握Go并发编程中的多路异步事件处理技巧。
|
1月前
|
数据采集 编解码 监控
Go语言实战案例:使用channel实现生产者消费者模型
本文是「Go语言100个实战案例 · 网络与并发篇」第4篇,通过实战案例详解使用 Channel 实现生产者-消费者模型,涵盖并发控制、任务调度及Go语言并发哲学,助你掌握优雅的并发编程技巧。
|
1月前
|
数据采集 消息中间件 编解码
Go语言实战案例:使用 Goroutine 并发打印
本文通过简单案例讲解 Go 语言核心并发模型 Goroutine,涵盖协程启动、输出控制、主程序退出机制,并结合 sync.WaitGroup 实现并发任务同步,帮助理解 Go 并发设计思想与实际应用。
|
1月前
|
数据采集 JSON Go
Go语言实战案例:实现HTTP客户端请求并解析响应
本文是 Go 网络与并发实战系列的第 2 篇,详细介绍如何使用 Go 构建 HTTP 客户端,涵盖请求发送、响应解析、错误处理、Header 与 Body 提取等流程,并通过实战代码演示如何并发请求多个 URL,适合希望掌握 Go 网络编程基础的开发者。
|
2月前
|
JSON 前端开发 Go
Go语言实战:创建一个简单的 HTTP 服务器
本篇是《Go语言101实战》系列之一,讲解如何使用Go构建基础HTTP服务器。涵盖Go语言并发优势、HTTP服务搭建、路由处理、日志记录及测试方法,助你掌握高性能Web服务开发核心技能。
|
2月前
|
存储 算法 数据可视化
Go语言实战:图的邻接表表示法实现详解
本文是《Go语言100个实战案例》系列之一,讲解图的邻接表表示法及其在Go语言中的实现。适用于稀疏图,节省空间,适合初学者与进阶开发者学习图结构在工程中的应用。
|
2月前
|
机器学习/深度学习 存储 算法
Go语言实战案例-广度优先遍历BFS
广度优先遍历(BFS)是一种层级展开的搜索策略,常用于树与图的遍历、最短路径查找、二维数组中的感染扩散等问题。它借助队列实现,优先访问当前层所有节点,再进入下一层,适用于寻找最短路径、层序遍历、岛屿问题等场景。
|
2月前
|
算法 Go C++
Go语言实战案例-深度优先遍历DFS
深度优先遍历(DFS)是一种用于遍历图和树结构的重要算法,其核心思想是“一条路走到底”,即沿着每个分支尽可能深入,直到无法继续再回溯。在树中,DFS包括前序、中序和后序三种遍历方式;在图中,DFS可用于寻找路径、计算连通分量、拓扑排序等。该算法通常通过递归或栈实现,适用于解决岛屿数量、迷宫路径、括号生成等经典问题。本文还对比了DFS与BFS的区别,并介绍了其在不同场景下的应用与实现方法。