动态规划第六讲——leetcode上的动态规划汇总(下)
2014-11-02 09:26
459 查看
接下来的几道题,都是有关路径问题,这可以说是DP问题的一种典型应用。路径有一个维度的;也有两个维度的。
Eg10:Climbing Stairs
这道题目比较简单,重在分析思路。
Eg11:Minimum Path Sum
分析:略
class Solution {
public:
int minPathSum(vector<vector<int> > &grid) {
int row, col;
row=grid.size();
if(row==0)
return -1;
col=grid[0].size();
int i,j;
for(j=1;j<col;j++)
grid[0][j]+=grid[0][j-1];
for(i=1;i<row;i++){
grid[i][0]+=grid[i-1][0];
}
for(i=1;i<row;i++){
for(j=1;j<col;j++){
grid[i][j] += min(grid[i-1][j],grid[i][j-1]);
}
}
return grid[row-1][col-1];
}
};
Eg12:Unique Paths
分析:略
class Solution {
public:
int uniquePaths(int m, int n) {
if(m<1 || n<1){
return 0;
}
int a[m]
;
int i,j;
fill(a[0], a[0]+n, 1);
for(j=1;j<m;j++)
a[j][0]=1;
for(i=1;i<m;i++)
for(j=1;j<n;j++)
a[i][j]=a[i-1][j] + a[i][j-1];
return a[m-1][n-1];
}
};
Eg13:Unique Paths II
class Solution {
public:
int uniquePathsWithObstacles(vector<vector<int> > &obstacleGrid) {
int m, n;
m=obstacleGrid.size();
if(m==0)
return 0;
n=obstacleGrid[0].size();
if(n==0)
return 0;
int i,j;
for(i=0;i<m;i++)
for(j=0;j<n;j++)
if(obstacleGrid[i][j]==1)
obstacleGrid[i][j]=-1;
for(j=0;j<n;j++)
if(obstacleGrid[0][j]==0)
obstacleGrid[0][j]=1;
else if(obstacleGrid[0][j]==-1)
break;
for (i = 0; i < m; ++i){
if(obstacleGrid[i][0]==0)
obstacleGrid[i][0]=1;
else if(obstacleGrid[i][0]==-1)
break;
}
for(i=1;i<m;i++){
for(j=1;j<n;j++){
if(obstacleGrid[i][j]!=-1)
obstacleGrid[i][j]=obstacleGrid[i-1][j]*(obstacleGrid[i-1][j]>0? 1:0) + obstacleGrid[i][j-1]*(obstacleGrid[i][j-1]>0? 1:0);
}
}
return obstacleGrid[m-1][n-1]>=0? obstacleGrid[m-1][n-1]:0;
}
};
Eg14:Jump Game
分析:这道题目与其说是DP,不如说是GA(贪心算法)。是的,这里又隐含一条我们以后要谈到的规律:谈心算法实际上是DP问题的加强版,每一个GA都可以用DP求解,反之不然。
我们仍然记得,DP问题的递推表达式类似:
dp[i][j]= max{****};如果对max内部包含的时间复杂度是O(n)或者O(i)、O(j)的大小;那么此时如果贪心算法能够使用,往往需要O(1)的算法即可。
分析二:如果使用DP,对本题而言,dp[i] ||= {dp[j]&&(j+A[j]>=i)}
但是,这样毕竟有些浪费,比如对于{1, 2, 3, 4, 5}很明显到i的时候,可以忽略前面部分的i-2部分的计算结果,都可以合并到i-1之中,于是就有了GA:
class Solution {
public:
bool canJump(int A[], int n) {
if(n<2) return true;
int maxi = A[0];
int i;
for (i = 1; i < n; ++i){
if(maxi > 0){
maxi --;
maxi = max(maxi, A[i]) ;
}
else
return false;
}
return true;
}
};
Eg15:Jump Game II
本题和上题目类似,代码如下:
class Solution {
public:
int jump(int A[], int n) {
if(n<2) return 0;
int maxi=A[0] , step_left =0, res=0;
for (int i = 1; i < n; ++i){
if(maxi > 0){
if(step_left > 0){
step_left--;
}
else{
res++;
step_left = maxi-1;
}
maxi --;
maxi = max(maxi, A[i]);
}
else
return -1;
}
return res;
}
};
Eg16:Wildcard Matching
分析,这是一个双序列问题,典型的DP问题。但是,如果我们使用DP来求解,这道题目会超时。我们先来看看DP的解法。
dp[i+1][j+1]:s(0, i), t(0, j)是否能够匹配,res=dp[m]
;
递推关系就不写在这里了,这是一个2个方向的递归问题,需要注意的是时间和空间复杂度都是O(m*n), 因为实际测试的规模m, n在10^5, 所以没法通过。细细思考,有很多计算是不必要的;
计算dp[i+1][j+1], 仅仅需要dp[i][j+1], dp[i+1][j], dp[i][j].另外,如果是s="aaaaaaaaaa" t="aaaaaaaaaaaaaaaaaaa*"那么,我们计算dp[10][j],如果上一行左侧元素全部是0, 本行在0之前的计算都是冗余的。也就是说,我们仅仅需要从上一行不是0的地方开始算起。例如,上面的例子,dp[1][1]=true, dp[1][2]=false之后的dp[1][j]=false 是一直成立的。这样,这个问题就变成了一个回溯问题,见下面的代码。所以,这类求解存在性而非最优化的题目,使用DP往往不是最优的解法。
下面的这个解法,本质上是贪心算法,就是让固定长度的s匹配最长的t;如果失败,那么回溯到上一个*所在的位置。
class Solution {
public:
bool isMatch(const char *s, const char *p) {
const char *prevs=s, *prev_start=NULL;
while(*s){
if(*p=='?' || *p==*s){p++;s++;continue;}
if(*p == '*') {prev_start=p; p++; prevs=s;continue;}
if(prev_start) {p=prev_start+1; s= prevs+1;prevs++;continue;}
return false;
}
while((*p)=='*') p++;
return !(*p);
}
}; <span style="font-size:14px;"> </span>
需要注意的是,在这种模式下,"abc" 与 "a*"是匹配的
Eg10:Climbing Stairs
这道题目比较简单,重在分析思路。
Eg11:Minimum Path Sum
分析:略
class Solution {
public:
int minPathSum(vector<vector<int> > &grid) {
int row, col;
row=grid.size();
if(row==0)
return -1;
col=grid[0].size();
int i,j;
for(j=1;j<col;j++)
grid[0][j]+=grid[0][j-1];
for(i=1;i<row;i++){
grid[i][0]+=grid[i-1][0];
}
for(i=1;i<row;i++){
for(j=1;j<col;j++){
grid[i][j] += min(grid[i-1][j],grid[i][j-1]);
}
}
return grid[row-1][col-1];
}
};
Eg12:Unique Paths
分析:略
class Solution {
public:
int uniquePaths(int m, int n) {
if(m<1 || n<1){
return 0;
}
int a[m]
;
int i,j;
fill(a[0], a[0]+n, 1);
for(j=1;j<m;j++)
a[j][0]=1;
for(i=1;i<m;i++)
for(j=1;j<n;j++)
a[i][j]=a[i-1][j] + a[i][j-1];
return a[m-1][n-1];
}
};
Eg13:Unique Paths II
class Solution {
public:
int uniquePathsWithObstacles(vector<vector<int> > &obstacleGrid) {
int m, n;
m=obstacleGrid.size();
if(m==0)
return 0;
n=obstacleGrid[0].size();
if(n==0)
return 0;
int i,j;
for(i=0;i<m;i++)
for(j=0;j<n;j++)
if(obstacleGrid[i][j]==1)
obstacleGrid[i][j]=-1;
for(j=0;j<n;j++)
if(obstacleGrid[0][j]==0)
obstacleGrid[0][j]=1;
else if(obstacleGrid[0][j]==-1)
break;
for (i = 0; i < m; ++i){
if(obstacleGrid[i][0]==0)
obstacleGrid[i][0]=1;
else if(obstacleGrid[i][0]==-1)
break;
}
for(i=1;i<m;i++){
for(j=1;j<n;j++){
if(obstacleGrid[i][j]!=-1)
obstacleGrid[i][j]=obstacleGrid[i-1][j]*(obstacleGrid[i-1][j]>0? 1:0) + obstacleGrid[i][j-1]*(obstacleGrid[i][j-1]>0? 1:0);
}
}
return obstacleGrid[m-1][n-1]>=0? obstacleGrid[m-1][n-1]:0;
}
};
Eg14:Jump Game
分析:这道题目与其说是DP,不如说是GA(贪心算法)。是的,这里又隐含一条我们以后要谈到的规律:谈心算法实际上是DP问题的加强版,每一个GA都可以用DP求解,反之不然。
我们仍然记得,DP问题的递推表达式类似:
dp[i][j]= max{****};如果对max内部包含的时间复杂度是O(n)或者O(i)、O(j)的大小;那么此时如果贪心算法能够使用,往往需要O(1)的算法即可。
分析二:如果使用DP,对本题而言,dp[i] ||= {dp[j]&&(j+A[j]>=i)}
但是,这样毕竟有些浪费,比如对于{1, 2, 3, 4, 5}很明显到i的时候,可以忽略前面部分的i-2部分的计算结果,都可以合并到i-1之中,于是就有了GA:
class Solution {
public:
bool canJump(int A[], int n) {
if(n<2) return true;
int maxi = A[0];
int i;
for (i = 1; i < n; ++i){
if(maxi > 0){
maxi --;
maxi = max(maxi, A[i]) ;
}
else
return false;
}
return true;
}
};
Eg15:Jump Game II
本题和上题目类似,代码如下:
class Solution {
public:
int jump(int A[], int n) {
if(n<2) return 0;
int maxi=A[0] , step_left =0, res=0;
for (int i = 1; i < n; ++i){
if(maxi > 0){
if(step_left > 0){
step_left--;
}
else{
res++;
step_left = maxi-1;
}
maxi --;
maxi = max(maxi, A[i]);
}
else
return -1;
}
return res;
}
};
Eg16:Wildcard Matching
分析,这是一个双序列问题,典型的DP问题。但是,如果我们使用DP来求解,这道题目会超时。我们先来看看DP的解法。
dp[i+1][j+1]:s(0, i), t(0, j)是否能够匹配,res=dp[m]
;
递推关系就不写在这里了,这是一个2个方向的递归问题,需要注意的是时间和空间复杂度都是O(m*n), 因为实际测试的规模m, n在10^5, 所以没法通过。细细思考,有很多计算是不必要的;
计算dp[i+1][j+1], 仅仅需要dp[i][j+1], dp[i+1][j], dp[i][j].另外,如果是s="aaaaaaaaaa" t="aaaaaaaaaaaaaaaaaaa*"那么,我们计算dp[10][j],如果上一行左侧元素全部是0, 本行在0之前的计算都是冗余的。也就是说,我们仅仅需要从上一行不是0的地方开始算起。例如,上面的例子,dp[1][1]=true, dp[1][2]=false之后的dp[1][j]=false 是一直成立的。这样,这个问题就变成了一个回溯问题,见下面的代码。所以,这类求解存在性而非最优化的题目,使用DP往往不是最优的解法。
下面的这个解法,本质上是贪心算法,就是让固定长度的s匹配最长的t;如果失败,那么回溯到上一个*所在的位置。
class Solution {
public:
bool isMatch(const char *s, const char *p) {
const char *prevs=s, *prev_start=NULL;
while(*s){
if(*p=='?' || *p==*s){p++;s++;continue;}
if(*p == '*') {prev_start=p; p++; prevs=s;continue;}
if(prev_start) {p=prev_start+1; s= prevs+1;prevs++;continue;}
return false;
}
while((*p)=='*') p++;
return !(*p);
}
}; <span style="font-size:14px;"> </span>
需要注意的是,在这种模式下,"abc" 与 "a*"是匹配的
相关文章推荐
- 动态规划第六讲——leetcode上的动态规划汇总(下)
- 动态规划第五讲——leetcode上的题目动态规划汇总(上)
- 动态规划第五讲——leetcode上的题目动态规划汇总(上)
- LeetCode之“动态规划”:Climbing Stairs
- LeetCode 在矩阵中寻找路径类的动态规划问题
- LeetCode之“动态规划”:Maximal Square && Largest Rectangle in Histogram && Maximal Rectangle
- [LeetCode]wildcard matching通配符实现之动态规划
- 动态规划小结 - 二维动态规划 - 时间复杂度 O(n*n)的棋盘型,题 [LeetCode] Minimum Path Sum,Unique Paths II,Edit Distance
- LeetCode之“动态规划”:Minimum Path Sum && Unique Paths && Unique Paths II
- LeetCode之“动态规划”:House Robber && House Robber II
- LeetCode动态规划思想:Best Time to Buy and Sell Stock III
- LeetCode之“动态规划”:Edit Distance
- 【LeetCode】Jump Game (一维动态规划 + 线性扫描)
- LeetCode之“动态规划”:Maximum Product Subarray
- LeetCode之“动态规划”:Interleaving String
- LeetCode之“动态规划”:Word Break && Word Break II
- LeetCode题目:Unique Binary Search Trees,一维动态规划
- LeetCode 之动态规划
- [LeetCode] Unique Paths && Unique Paths II && Minimum Path Sum (动态规划之 Matrix DP )
- LeetCode之“动态规划”:Maximum Subarray