跳轉至

14.2   動態規劃問題特性

在上一節中,我們學習了動態規劃是如何透過子問題分解來求解原問題的。實際上,子問題分解是一種通用的演算法思路,在分治、動態規劃、回溯中的側重點不同。

  • 分治演算法遞迴地將原問題劃分為多個相互獨立的子問題,直至最小子問題,並在回溯中合併子問題的解,最終得到原問題的解。
  • 動態規劃也對問題進行遞迴分解,但與分治演算法的主要區別是,動態規劃中的子問題是相互依賴的,在分解過程中會出現許多重疊子問題。
  • 回溯演算法在嘗試和回退中窮舉所有可能的解,並透過剪枝避免不必要的搜尋分支。原問題的解由一系列決策步驟構成,我們可以將每個決策步驟之前的子序列看作一個子問題。

實際上,動態規劃常用來求解最佳化問題,它們不僅包含重疊子問題,還具有另外兩大特性:最優子結構、無後效性。

14.2.1   最優子結構

我們對爬樓梯問題稍作改動,使之更加適合展示最優子結構概念。

爬樓梯最小代價

給定一個樓梯,你每步可以上 \(1\) 階或者 \(2\) 階,每一階樓梯上都貼有一個非負整數,表示你在該臺階所需要付出的代價。給定一個非負整數陣列 \(cost\) ,其中 \(cost[i]\) 表示在第 \(i\) 個臺階需要付出的代價,\(cost[0]\) 為地面(起始點)。請計算最少需要付出多少代價才能到達頂部?

如圖 14-6 所示,若第 \(1\)、\(2\)、\(3\) 階的代價分別為 \(1\)、\(10\)、\(1\) ,則從地面爬到第 \(3\) 階的最小代價為 \(2\) 。

圖 14-6   爬到第 3 階的最小代價

圖解 14-6:三階樓梯的最小代價

地面及第 1 至 3 階的代價依次為 0、1、10、1;跨過代價 10 的第 2 階,走 0→1→3 可得最小總代價 2。

每步可以上 1 階或 2 階,踏上任一階都需支付該階代價;圖中以 n 標記階號、cost[n] 標記該階代價。地面起點代價為 cost[0]=0,本題目標是踏上第 3 階並支付第 3 階的代價。

樓梯下方依次對齊列出樓梯階數 n=0、1、2、3 與代價 cost[n]=0、1、10、1;其中第 2 階的踏面與數字 10 用紅色突出顯示,目標第 3 階的踏面用綠色突出顯示。樓梯上方用青色實線畫出 0→1→2→3、藍色點線畫出 0→2→3、橙色虛線畫出 0→1→3。底部註明共有這三種方案,0→1→3 的代價最小,為 2。

下表的單階代價取自圖中 cost;算式及總費用 12、11 是按經過的臺階相加得到,原圖未標這兩個總數。

三條方案的費用(按圖中cost計算)
路徑代價計算總費用
0→1→2→31+10+112
0→2→310+111
0→1→31+12

前兩條路線均經過代價 10 的第 2 階;只有 0→1→3 跨過它,因此費用最低。

設 \(dp[i]\) 為爬到第 \(i\) 階累計付出的代價,由於第 \(i\) 階只可能從 \(i - 1\) 階或 \(i - 2\) 階走來,因此 \(dp[i]\) 只可能等於 \(dp[i - 1] + cost[i]\) 或 \(dp[i - 2] + cost[i]\) 。為了儘可能減少代價,我們應該選擇兩者中較小的那一個:

\[ dp[i] = \min(dp[i-1], dp[i-2]) + cost[i] \]

這便可以引出最優子結構的含義:原問題的最優解是從子問題的最優解構建得來的。

本題顯然具有最優子結構:我們從兩個子問題最優解 \(dp[i-1]\) 和 \(dp[i-2]\) 中挑選出較優的那一個,並用它構建出原問題 \(dp[i]\) 的最優解。

那麼,上一節的爬樓梯題目有沒有最優子結構呢?它的目標是求解方案數量,看似是一個計數問題,但如果換一種問法:“求解最大方案數量”。我們意外地發現,雖然題目修改前後是等價的,但最優子結構浮現出來了:第 \(n\) 階最大方案數量等於第 \(n-1\) 階和第 \(n-2\) 階最大方案數量之和。所以說,最優子結構的解釋方式比較靈活,在不同問題中會有不同的含義。

根據狀態轉移方程,以及初始狀態 \(dp[1] = cost[1]\) 和 \(dp[2] = cost[2]\) ,我們就可以得到動態規劃程式碼:

min_cost_climbing_stairs_dp.py
def min_cost_climbing_stairs_dp(cost: list[int]) -> int:
    """爬樓梯最小代價:動態規劃"""
    n = len(cost) - 1
    if n == 1 or n == 2:
        return cost[n]
    # 初始化 dp 表,用於儲存子問題的解
    dp = [0] * (n + 1)
    # 初始狀態:預設最小子問題的解
    dp[1], dp[2] = cost[1], cost[2]
    # 狀態轉移:從較小子問題逐步求解較大子問題
    for i in range(3, n + 1):
        dp[i] = min(dp[i - 1], dp[i - 2]) + cost[i]
    return dp[n]
min_cost_climbing_stairs_dp.cpp
/* 爬樓梯最小代價:動態規劃 */
int minCostClimbingStairsDP(vector<int> &cost) {
    int n = cost.size() - 1;
    if (n == 1 || n == 2)
        return cost[n];
    // 初始化 dp 表,用於儲存子問題的解
    vector<int> dp(n + 1);
    // 初始狀態:預設最小子問題的解
    dp[1] = cost[1];
    dp[2] = cost[2];
    // 狀態轉移:從較小子問題逐步求解較大子問題
    for (int i = 3; i <= n; i++) {
        dp[i] = min(dp[i - 1], dp[i - 2]) + cost[i];
    }
    return dp[n];
}
min_cost_climbing_stairs_dp.java
/* 爬樓梯最小代價:動態規劃 */
int minCostClimbingStairsDP(int[] cost) {
    int n = cost.length - 1;
    if (n == 1 || n == 2)
        return cost[n];
    // 初始化 dp 表,用於儲存子問題的解
    int[] dp = new int[n + 1];
    // 初始狀態:預設最小子問題的解
    dp[1] = cost[1];
    dp[2] = cost[2];
    // 狀態轉移:從較小子問題逐步求解較大子問題
    for (int i = 3; i <= n; i++) {
        dp[i] = Math.min(dp[i - 1], dp[i - 2]) + cost[i];
    }
    return dp[n];
}
min_cost_climbing_stairs_dp.cs
/* 爬樓梯最小代價:動態規劃 */
int MinCostClimbingStairsDP(int[] cost) {
    int n = cost.Length - 1;
    if (n == 1 || n == 2)
        return cost[n];
    // 初始化 dp 表,用於儲存子問題的解
    int[] dp = new int[n + 1];
    // 初始狀態:預設最小子問題的解
    dp[1] = cost[1];
    dp[2] = cost[2];
    // 狀態轉移:從較小子問題逐步求解較大子問題
    for (int i = 3; i <= n; i++) {
        dp[i] = Math.Min(dp[i - 1], dp[i - 2]) + cost[i];
    }
    return dp[n];
}
min_cost_climbing_stairs_dp.go
/* 爬樓梯最小代價:動態規劃 */
func minCostClimbingStairsDP(cost []int) int {
    n := len(cost) - 1
    if n == 1 || n == 2 {
        return cost[n]
    }
    min := func(a, b int) int {
        if a < b {
            return a
        }
        return b
    }
    // 初始化 dp 表,用於儲存子問題的解
    dp := make([]int, n+1)
    // 初始狀態:預設最小子問題的解
    dp[1] = cost[1]
    dp[2] = cost[2]
    // 狀態轉移:從較小子問題逐步求解較大子問題
    for i := 3; i <= n; i++ {
        dp[i] = min(dp[i-1], dp[i-2]) + cost[i]
    }
    return dp[n]
}
min_cost_climbing_stairs_dp.swift
/* 爬樓梯最小代價:動態規劃 */
func minCostClimbingStairsDP(cost: [Int]) -> Int {
    let n = cost.count - 1
    if n == 1 || n == 2 {
        return cost[n]
    }
    // 初始化 dp 表,用於儲存子問題的解
    var dp = Array(repeating: 0, count: n + 1)
    // 初始狀態:預設最小子問題的解
    dp[1] = cost[1]
    dp[2] = cost[2]
    // 狀態轉移:從較小子問題逐步求解較大子問題
    for i in 3 ... n {
        dp[i] = min(dp[i - 1], dp[i - 2]) + cost[i]
    }
    return dp[n]
}
min_cost_climbing_stairs_dp.js
/* 爬樓梯最小代價:動態規劃 */
function minCostClimbingStairsDP(cost) {
    const n = cost.length - 1;
    if (n === 1 || n === 2) {
        return cost[n];
    }
    // 初始化 dp 表,用於儲存子問題的解
    const dp = new Array(n + 1);
    // 初始狀態:預設最小子問題的解
    dp[1] = cost[1];
    dp[2] = cost[2];
    // 狀態轉移:從較小子問題逐步求解較大子問題
    for (let i = 3; i <= n; i++) {
        dp[i] = Math.min(dp[i - 1], dp[i - 2]) + cost[i];
    }
    return dp[n];
}
min_cost_climbing_stairs_dp.ts
/* 爬樓梯最小代價:動態規劃 */
function minCostClimbingStairsDP(cost: Array<number>): number {
    const n = cost.length - 1;
    if (n === 1 || n === 2) {
        return cost[n];
    }
    // 初始化 dp 表,用於儲存子問題的解
    const dp = new Array(n + 1);
    // 初始狀態:預設最小子問題的解
    dp[1] = cost[1];
    dp[2] = cost[2];
    // 狀態轉移:從較小子問題逐步求解較大子問題
    for (let i = 3; i <= n; i++) {
        dp[i] = Math.min(dp[i - 1], dp[i - 2]) + cost[i];
    }
    return dp[n];
}
min_cost_climbing_stairs_dp.dart
/* 爬樓梯最小代價:動態規劃 */
int minCostClimbingStairsDP(List<int> cost) {
  int n = cost.length - 1;
  if (n == 1 || n == 2) return cost[n];
  // 初始化 dp 表,用於儲存子問題的解
  List<int> dp = List.filled(n + 1, 0);
  // 初始狀態:預設最小子問題的解
  dp[1] = cost[1];
  dp[2] = cost[2];
  // 狀態轉移:從較小子問題逐步求解較大子問題
  for (int i = 3; i <= n; i++) {
    dp[i] = min(dp[i - 1], dp[i - 2]) + cost[i];
  }
  return dp[n];
}
min_cost_climbing_stairs_dp.rs
/* 爬樓梯最小代價:動態規劃 */
fn min_cost_climbing_stairs_dp(cost: &[i32]) -> i32 {
    let n = cost.len() - 1;
    if n == 1 || n == 2 {
        return cost[n];
    }
    // 初始化 dp 表,用於儲存子問題的解
    let mut dp = vec![-1; n + 1];
    // 初始狀態:預設最小子問題的解
    dp[1] = cost[1];
    dp[2] = cost[2];
    // 狀態轉移:從較小子問題逐步求解較大子問題
    for i in 3..=n {
        dp[i] = cmp::min(dp[i - 1], dp[i - 2]) + cost[i];
    }
    dp[n]
}
min_cost_climbing_stairs_dp.c
/* 爬樓梯最小代價:動態規劃 */
int minCostClimbingStairsDP(int cost[], int costSize) {
    int n = costSize - 1;
    if (n == 1 || n == 2)
        return cost[n];
    // 初始化 dp 表,用於儲存子問題的解
    int *dp = calloc(n + 1, sizeof(int));
    // 初始狀態:預設最小子問題的解
    dp[1] = cost[1];
    dp[2] = cost[2];
    // 狀態轉移:從較小子問題逐步求解較大子問題
    for (int i = 3; i <= n; i++) {
        dp[i] = myMin(dp[i - 1], dp[i - 2]) + cost[i];
    }
    int res = dp[n];
    // 釋放記憶體
    free(dp);
    return res;
}
min_cost_climbing_stairs_dp.kt
/* 爬樓梯最小代價:動態規劃 */
fun minCostClimbingStairsDP(cost: IntArray): Int {
    val n = cost.size - 1
    if (n == 1 || n == 2) return cost[n]
    // 初始化 dp 表,用於儲存子問題的解
    val dp = IntArray(n + 1)
    // 初始狀態:預設最小子問題的解
    dp[1] = cost[1]
    dp[2] = cost[2]
    // 狀態轉移:從較小子問題逐步求解較大子問題
    for (i in 3..n) {
        dp[i] = min(dp[i - 1], dp[i - 2]) + cost[i]
    }
    return dp[n]
}
min_cost_climbing_stairs_dp.rb
### 爬樓梯最小代價:動態規劃 ###
def min_cost_climbing_stairs_dp(cost)
  n = cost.length - 1
  return cost[n] if n == 1 || n == 2
  # 初始化 dp 表,用於儲存子問題的解
  dp = Array.new(n + 1, 0)
  # 初始狀態:預設最小子問題的解
  dp[1], dp[2] = cost[1], cost[2]
  # 狀態轉移:從較小子問題逐步求解較大子問題
  (3...(n + 1)).each { |i| dp[i] = [dp[i - 1], dp[i - 2]].min + cost[i] }
  dp[n]
end
視覺化執行

圖 14-7 展示了以上程式碼的動態規劃過程。

圖 14-7   爬樓梯最小代價的動態規劃過程

圖解 14-7:最小代價的狀態轉移

每個狀態取前兩個狀態累計最小代價的較小值,再加上當前臺階自身的代價 cost[i]。

每一步可上 1 階或 2 階,cost[i] 表示踏上第 i 階必須支付的非負代價,地面起點不計費。記 dp[i] 為爬到第 i 階所需支付的累計最小代價。

畫面將綠色 dp[1] 至 dp[9] 方塊從左到右排成一行;奇數階的 cost 標在上方,偶數階標在下方,以箭頭指向對應 dp 方塊。dp[1]、dp[2] 直接承接各自的 cost 箭頭;從 dp[3] 起,相鄰兩個前驅由括線與 min 標記連到下一狀態,當前 cost 箭頭旁的加號表示再付本階代價。圖下寫出初始狀態與通用轉移式 dp[i] = min(dp[i-1], dp[i-2]) + cost[i],未給具體代價值。

到達第 i 階的最後一步只能從第 i-1 階或第 i-2 階走來。無論來自哪個前驅都要支付當前階代價 cost[i],因此先比較前驅代價 dp[i-1]、dp[i-2] 選擇較低累計代價,再加 cost[i]。

地面可以直接跨到第 1 或第 2 階,dp[1] = cost[1]。因為 cost[1] 非負,經第 1 階再到第 2 階不會比直接跨兩階更便宜,所以 dp[2] = cost[2]。下表保留第 1 至 9 階的逐項關係,便於按狀態查詢。表中初值的“地面”來源及“不劣於經第 1 階”的理由是據規則補充的解釋,圖中沒有另畫地面節點。

初值與兩個前驅的比較
狀態初值來源或比較前驅本階付費計算式
dp[1]地面cost[1]dp[1] = cost[1]
dp[2]地面直接跨兩階(不劣於經第 1 階)cost[2]dp[2] = cost[2]
dp[3]dp[2] 或 dp[1]cost[3]min(dp[2], dp[1]) + cost[3]
dp[4]dp[3] 或 dp[2]cost[4]min(dp[3], dp[2]) + cost[4]
dp[5]dp[4] 或 dp[3]cost[5]min(dp[4], dp[3]) + cost[5]
dp[6]dp[5] 或 dp[4]cost[6]min(dp[5], dp[4]) + cost[6]
dp[7]dp[6] 或 dp[5]cost[7]min(dp[6], dp[5]) + cost[7]
dp[8]dp[7] 或 dp[6]cost[8]min(dp[7], dp[6]) + cost[8]
dp[9]dp[8] 或 dp[7]cost[9]min(dp[8], dp[7]) + cost[9]

依次求到目標階後,該階的 dp 值就是所需的最小累計代價。

本題也可以進行空間最佳化,將一維壓縮至零維,使得空間複雜度從 \(O(n)\) 降至 \(O(1)\) :

min_cost_climbing_stairs_dp.py
def min_cost_climbing_stairs_dp_comp(cost: list[int]) -> int:
    """爬樓梯最小代價:空間最佳化後的動態規劃"""
    n = len(cost) - 1
    if n == 1 or n == 2:
        return cost[n]
    a, b = cost[1], cost[2]
    for i in range(3, n + 1):
        a, b = b, min(a, b) + cost[i]
    return b
min_cost_climbing_stairs_dp.cpp
/* 爬樓梯最小代價:空間最佳化後的動態規劃 */
int minCostClimbingStairsDPComp(vector<int> &cost) {
    int n = cost.size() - 1;
    if (n == 1 || n == 2)
        return cost[n];
    int a = cost[1], b = cost[2];
    for (int i = 3; i <= n; i++) {
        int tmp = b;
        b = min(a, tmp) + cost[i];
        a = tmp;
    }
    return b;
}
min_cost_climbing_stairs_dp.java
/* 爬樓梯最小代價:空間最佳化後的動態規劃 */
int minCostClimbingStairsDPComp(int[] cost) {
    int n = cost.length - 1;
    if (n == 1 || n == 2)
        return cost[n];
    int a = cost[1], b = cost[2];
    for (int i = 3; i <= n; i++) {
        int tmp = b;
        b = Math.min(a, tmp) + cost[i];
        a = tmp;
    }
    return b;
}
min_cost_climbing_stairs_dp.cs
/* 爬樓梯最小代價:空間最佳化後的動態規劃 */
int MinCostClimbingStairsDPComp(int[] cost) {
    int n = cost.Length - 1;
    if (n == 1 || n == 2)
        return cost[n];
    int a = cost[1], b = cost[2];
    for (int i = 3; i <= n; i++) {
        int tmp = b;
        b = Math.Min(a, tmp) + cost[i];
        a = tmp;
    }
    return b;
}
min_cost_climbing_stairs_dp.go
/* 爬樓梯最小代價:空間最佳化後的動態規劃 */
func minCostClimbingStairsDPComp(cost []int) int {
    n := len(cost) - 1
    if n == 1 || n == 2 {
        return cost[n]
    }
    min := func(a, b int) int {
        if a < b {
            return a
        }
        return b
    }
    // 初始狀態:預設最小子問題的解
    a, b := cost[1], cost[2]
    // 狀態轉移:從較小子問題逐步求解較大子問題
    for i := 3; i <= n; i++ {
        tmp := b
        b = min(a, tmp) + cost[i]
        a = tmp
    }
    return b
}
min_cost_climbing_stairs_dp.swift
/* 爬樓梯最小代價:空間最佳化後的動態規劃 */
func minCostClimbingStairsDPComp(cost: [Int]) -> Int {
    let n = cost.count - 1
    if n == 1 || n == 2 {
        return cost[n]
    }
    var (a, b) = (cost[1], cost[2])
    for i in 3 ... n {
        (a, b) = (b, min(a, b) + cost[i])
    }
    return b
}
min_cost_climbing_stairs_dp.js
/* 爬樓梯最小代價:空間最佳化後的動態規劃 */
function minCostClimbingStairsDPComp(cost) {
    const n = cost.length - 1;
    if (n === 1 || n === 2) {
        return cost[n];
    }
    let a = cost[1],
        b = cost[2];
    for (let i = 3; i <= n; i++) {
        const tmp = b;
        b = Math.min(a, tmp) + cost[i];
        a = tmp;
    }
    return b;
}
min_cost_climbing_stairs_dp.ts
/* 爬樓梯最小代價:空間最佳化後的動態規劃 */
function minCostClimbingStairsDPComp(cost: Array<number>): number {
    const n = cost.length - 1;
    if (n === 1 || n === 2) {
        return cost[n];
    }
    let a = cost[1],
        b = cost[2];
    for (let i = 3; i <= n; i++) {
        const tmp = b;
        b = Math.min(a, tmp) + cost[i];
        a = tmp;
    }
    return b;
}
min_cost_climbing_stairs_dp.dart
/* 爬樓梯最小代價:空間最佳化後的動態規劃 */
int minCostClimbingStairsDPComp(List<int> cost) {
  int n = cost.length - 1;
  if (n == 1 || n == 2) return cost[n];
  int a = cost[1], b = cost[2];
  for (int i = 3; i <= n; i++) {
    int tmp = b;
    b = min(a, tmp) + cost[i];
    a = tmp;
  }
  return b;
}
min_cost_climbing_stairs_dp.rs
/* 爬樓梯最小代價:空間最佳化後的動態規劃 */
fn min_cost_climbing_stairs_dp_comp(cost: &[i32]) -> i32 {
    let n = cost.len() - 1;
    if n == 1 || n == 2 {
        return cost[n];
    };
    let (mut a, mut b) = (cost[1], cost[2]);
    for i in 3..=n {
        let tmp = b;
        b = cmp::min(a, tmp) + cost[i];
        a = tmp;
    }
    b
}
min_cost_climbing_stairs_dp.c
/* 爬樓梯最小代價:空間最佳化後的動態規劃 */
int minCostClimbingStairsDPComp(int cost[], int costSize) {
    int n = costSize - 1;
    if (n == 1 || n == 2)
        return cost[n];
    int a = cost[1], b = cost[2];
    for (int i = 3; i <= n; i++) {
        int tmp = b;
        b = myMin(a, tmp) + cost[i];
        a = tmp;
    }
    return b;
}
min_cost_climbing_stairs_dp.kt
/* 爬樓梯最小代價:空間最佳化後的動態規劃 */
fun minCostClimbingStairsDPComp(cost: IntArray): Int {
    val n = cost.size - 1
    if (n == 1 || n == 2) return cost[n]
    var a = cost[1]
    var b = cost[2]
    for (i in 3..n) {
        val tmp = b
        b = min(a, tmp) + cost[i]
        a = tmp
    }
    return b
}
min_cost_climbing_stairs_dp.rb
### 爬樓梯最小代價:空間最佳化後的動態規劃 ###
def min_cost_climbing_stairs_dp_comp(cost)
  n = cost.length - 1
  return cost[n] if n == 1 || n == 2
  a, b = cost[1], cost[2]
  (3...(n + 1)).each { |i| a, b = b, [a, b].min + cost[i] }
  b
end
視覺化執行

14.2.2   無後效性

無後效性是動態規劃能夠有效解決問題的重要特性之一,其定義為:給定一個確定的狀態,它的未來發展只與當前狀態有關,而與過去經歷的所有狀態無關。

以爬樓梯問題為例,給定狀態 \(i\) ,它會發展出狀態 \(i+1\) 和狀態 \(i+2\) ,分別對應跳 \(1\) 步和跳 \(2\) 步。在做出這兩種選擇時,我們無須考慮狀態 \(i\) 之前的狀態,它們對狀態 \(i\) 的未來沒有影響。

然而,如果我們給爬樓梯問題新增一個約束,情況就不一樣了。

帶約束爬樓梯

給定一個共有 \(n\) 階的樓梯,你每步可以上 \(1\) 階或者 \(2\) 階,但不能連續兩輪跳 \(1\) 階,請問有多少種方案可以爬到樓頂?

如圖 14-8 所示,爬上第 \(3\) 階僅剩 \(2\) 種可行方案,其中連續三次跳 \(1\) 階的方案不滿足約束條件,因此被捨棄。

圖 14-8   帶約束爬到第 3 階的方案數量

圖解 14-8:禁止連續兩次上 1 階時到第 3 階的走法

加上不能連續兩輪跳 1 階的限制後,0→1→2→3 被捨棄,到達第 3 階只剩 2 種方案。

從地面 0 出發,每步仍可上 1 階或 2 階,目標是爬上第 3 階樓梯,但新增約束條件:不能連續兩輪都跳 1 階。

樓梯標有第 0 至第 6 階,目標第 3 階踏面為綠色。0→1→2→3 路線畫為灰色點線,並在上方標註“由於不能連續兩輪跳 1 階,因此方案 0→1→2→3 被捨棄”;藍色實線 0→2→3 與橙色實線 0→1→3 保持彩色高亮,底部註明“爬上第 3 階樓梯共有 2 種方案:0→2→3, 0→1→3”。

方案 0→1→2→3 需要連續三次各跳 1 階,在前兩步就已經違反了“不能連續兩輪跳 1 階”的限制,因此被置灰捨棄。藍色方案 0→2→3 先跳 2 階再跳 1 階,橙色方案 0→1→3 先跳 1 階再跳 2 階,兩者都沒有出現相鄰兩次 1 階跳躍,因此均合法保留。

在該問題中,如果上一輪是跳 \(1\) 階上來的,那麼下一輪就必須跳 \(2\) 階。這意味著,下一步選擇不能由當前狀態(當前所在樓梯階數)獨立決定,還和前一個狀態(上一輪所在樓梯階數)有關。

不難發現,此問題已不滿足無後效性,狀態轉移方程 \(dp[i] = dp[i-1] + dp[i-2]\) 也失效了,因為 \(dp[i-1]\) 代表本輪跳 \(1\) 階,但其中包含了許多“上一輪是跳 \(1\) 階上來的”方案,而為了滿足約束,我們就不能將 \(dp[i-1]\) 直接計入 \(dp[i]\) 中。

為此,我們需要擴展狀態定義:狀態 \([i, j]\) 表示處在第 \(i\) 階並且上一輪跳了 \(j\) 階,其中 \(j \in \{1, 2\}\) 。此狀態定義有效地區分了上一輪跳了 \(1\) 階還是 \(2\) 階,我們可以據此判斷當前狀態是從何而來的。

  • 當上一輪跳了 \(1\) 階時,上上一輪只能選擇跳 \(2\) 階,即 \(dp[i, 1]\) 只能從 \(dp[i-1, 2]\) 轉移過來。
  • 當上一輪跳了 \(2\) 階時,上上一輪可選擇跳 \(1\) 階或跳 \(2\) 階,即 \(dp[i, 2]\) 可以從 \(dp[i-2, 1]\) 或 \(dp[i-2, 2]\) 轉移過來。

如圖 14-9 所示,在該定義下,\(dp[i, j]\) 表示狀態 \([i, j]\) 對應的方案數。此時狀態轉移方程為:

\[ \begin{cases} dp[i, 1] = dp[i-1, 2] \\ dp[i, 2] = dp[i-2, 1] + dp[i-2, 2] \end{cases} \]

圖 14-9   考慮約束下的遞推關係

圖解 14-9:用上一步步長擴展動態規劃狀態

將最後一步跳了 1 階還是 2 階納入二維狀態 dp[i, j],即可在轉移時排除連續兩次跳 1 階。

每步可上 1 階或 2 階,但不能連續兩輪跳 1 階。由於當前能否跳 1 階取決於上一輪的步長,需要將狀態擴展為二維 dp[i, j],表示爬到第 i 階且上一輪跳了 j 階(j 取 1 或 2)的方案數。

圖中在最高一階標出兩個目標狀態:青色 dp[i, 1] 與藍色 dp[i, 2];在第 i-1 階標出青色 dp[i-1, 2] 與灰色 dp[i-1, 1];在第 i-2 階標出藍色 dp[i-2, 1] 與藍色 dp[i-2, 2]。從 dp[i-1, 2] 有一條青色弧形實線跨 1 階指向 dp[i, 1],而從灰色 dp[i-1, 1] 指向 dp[i, 1] 的灰色點線旁註明“不能連續兩輪跳 1 階,因此該項被捨去”;從 dp[i-2, 1] 和 dp[i-2, 2] 各有一條藍色弧形實線跨 2 階匯入 dp[i, 2]。

最後一跳為 1 階時,前一個位置是第 i-1 階,到達該位置的那一跳必須為 2 階,因此 dp[i, 1] = dp[i-1, 2]。最後一跳為 2 階時,前一個位置是第 i-2 階,到達它的那一跳可以為 1 或 2 階,因此 dp[i, 2] = dp[i-2, 1] + dp[i-2, 2]。

圖中只畫符號轉移,未標具體初值。下表補充後文程式碼的第 1、第 2 階初始狀態,遞推從第 3 階開始。

正文程式碼的初始狀態(補充遞推邊界)
階數idp[i,1]dp[i,2]
110
201

第 1 階只有 0→1,故 dp[1,1]=1、dp[1,2]=0。第 2 階的 0→1→2 連續兩次跳 1 階,不能計入;只有 0→2 合法,故 dp[2,1]=0、dp[2,2]=1。

狀態納入最後一跳的步長後,後續可選動作只依賴當前狀態,恢復無後效性;到達第 n 階的總方案數為 dp[n,1] + dp[n,2]。

最終,返回 \(dp[n, 1] + dp[n, 2]\) 即可,兩者之和代表爬到第 \(n\) 階的方案總數:

climbing_stairs_constraint_dp.py
def climbing_stairs_constraint_dp(n: int) -> int:
    """帶約束爬樓梯:動態規劃"""
    if n == 1 or n == 2:
        return 1
    # 初始化 dp 表,用於儲存子問題的解
    dp = [[0] * 3 for _ in range(n + 1)]
    # 初始狀態:預設最小子問題的解
    dp[1][1], dp[1][2] = 1, 0
    dp[2][1], dp[2][2] = 0, 1
    # 狀態轉移:從較小子問題逐步求解較大子問題
    for i in range(3, n + 1):
        dp[i][1] = dp[i - 1][2]
        dp[i][2] = dp[i - 2][1] + dp[i - 2][2]
    return dp[n][1] + dp[n][2]
climbing_stairs_constraint_dp.cpp
/* 帶約束爬樓梯:動態規劃 */
int climbingStairsConstraintDP(int n) {
    if (n == 1 || n == 2) {
        return 1;
    }
    // 初始化 dp 表,用於儲存子問題的解
    vector<vector<int>> dp(n + 1, vector<int>(3, 0));
    // 初始狀態:預設最小子問題的解
    dp[1][1] = 1;
    dp[1][2] = 0;
    dp[2][1] = 0;
    dp[2][2] = 1;
    // 狀態轉移:從較小子問題逐步求解較大子問題
    for (int i = 3; i <= n; i++) {
        dp[i][1] = dp[i - 1][2];
        dp[i][2] = dp[i - 2][1] + dp[i - 2][2];
    }
    return dp[n][1] + dp[n][2];
}
climbing_stairs_constraint_dp.java
/* 帶約束爬樓梯:動態規劃 */
int climbingStairsConstraintDP(int n) {
    if (n == 1 || n == 2) {
        return 1;
    }
    // 初始化 dp 表,用於儲存子問題的解
    int[][] dp = new int[n + 1][3];
    // 初始狀態:預設最小子問題的解
    dp[1][1] = 1;
    dp[1][2] = 0;
    dp[2][1] = 0;
    dp[2][2] = 1;
    // 狀態轉移:從較小子問題逐步求解較大子問題
    for (int i = 3; i <= n; i++) {
        dp[i][1] = dp[i - 1][2];
        dp[i][2] = dp[i - 2][1] + dp[i - 2][2];
    }
    return dp[n][1] + dp[n][2];
}
climbing_stairs_constraint_dp.cs
/* 帶約束爬樓梯:動態規劃 */
int ClimbingStairsConstraintDP(int n) {
    if (n == 1 || n == 2) {
        return 1;
    }
    // 初始化 dp 表,用於儲存子問題的解
    int[,] dp = new int[n + 1, 3];
    // 初始狀態:預設最小子問題的解
    dp[1, 1] = 1;
    dp[1, 2] = 0;
    dp[2, 1] = 0;
    dp[2, 2] = 1;
    // 狀態轉移:從較小子問題逐步求解較大子問題
    for (int i = 3; i <= n; i++) {
        dp[i, 1] = dp[i - 1, 2];
        dp[i, 2] = dp[i - 2, 1] + dp[i - 2, 2];
    }
    return dp[n, 1] + dp[n, 2];
}
climbing_stairs_constraint_dp.go
/* 帶約束爬樓梯:動態規劃 */
func climbingStairsConstraintDP(n int) int {
    if n == 1 || n == 2 {
        return 1
    }
    // 初始化 dp 表,用於儲存子問題的解
    dp := make([][3]int, n+1)
    // 初始狀態:預設最小子問題的解
    dp[1][1] = 1
    dp[1][2] = 0
    dp[2][1] = 0
    dp[2][2] = 1
    // 狀態轉移:從較小子問題逐步求解較大子問題
    for i := 3; i <= n; i++ {
        dp[i][1] = dp[i-1][2]
        dp[i][2] = dp[i-2][1] + dp[i-2][2]
    }
    return dp[n][1] + dp[n][2]
}
climbing_stairs_constraint_dp.swift
/* 帶約束爬樓梯:動態規劃 */
func climbingStairsConstraintDP(n: Int) -> Int {
    if n == 1 || n == 2 {
        return 1
    }
    // 初始化 dp 表,用於儲存子問題的解
    var dp = Array(repeating: Array(repeating: 0, count: 3), count: n + 1)
    // 初始狀態:預設最小子問題的解
    dp[1][1] = 1
    dp[1][2] = 0
    dp[2][1] = 0
    dp[2][2] = 1
    // 狀態轉移:從較小子問題逐步求解較大子問題
    for i in 3 ... n {
        dp[i][1] = dp[i - 1][2]
        dp[i][2] = dp[i - 2][1] + dp[i - 2][2]
    }
    return dp[n][1] + dp[n][2]
}
climbing_stairs_constraint_dp.js
/* 帶約束爬樓梯:動態規劃 */
function climbingStairsConstraintDP(n) {
    if (n === 1 || n === 2) {
        return 1;
    }
    // 初始化 dp 表,用於儲存子問題的解
    const dp = Array.from(new Array(n + 1), () => new Array(3));
    // 初始狀態:預設最小子問題的解
    dp[1][1] = 1;
    dp[1][2] = 0;
    dp[2][1] = 0;
    dp[2][2] = 1;
    // 狀態轉移:從較小子問題逐步求解較大子問題
    for (let i = 3; i <= n; i++) {
        dp[i][1] = dp[i - 1][2];
        dp[i][2] = dp[i - 2][1] + dp[i - 2][2];
    }
    return dp[n][1] + dp[n][2];
}
climbing_stairs_constraint_dp.ts
/* 帶約束爬樓梯:動態規劃 */
function climbingStairsConstraintDP(n: number): number {
    if (n === 1 || n === 2) {
        return 1;
    }
    // 初始化 dp 表,用於儲存子問題的解
    const dp = Array.from({ length: n + 1 }, () => new Array(3));
    // 初始狀態:預設最小子問題的解
    dp[1][1] = 1;
    dp[1][2] = 0;
    dp[2][1] = 0;
    dp[2][2] = 1;
    // 狀態轉移:從較小子問題逐步求解較大子問題
    for (let i = 3; i <= n; i++) {
        dp[i][1] = dp[i - 1][2];
        dp[i][2] = dp[i - 2][1] + dp[i - 2][2];
    }
    return dp[n][1] + dp[n][2];
}
climbing_stairs_constraint_dp.dart
/* 帶約束爬樓梯:動態規劃 */
int climbingStairsConstraintDP(int n) {
  if (n == 1 || n == 2) {
    return 1;
  }
  // 初始化 dp 表,用於儲存子問題的解
  List<List<int>> dp = List.generate(n + 1, (index) => List.filled(3, 0));
  // 初始狀態:預設最小子問題的解
  dp[1][1] = 1;
  dp[1][2] = 0;
  dp[2][1] = 0;
  dp[2][2] = 1;
  // 狀態轉移:從較小子問題逐步求解較大子問題
  for (int i = 3; i <= n; i++) {
    dp[i][1] = dp[i - 1][2];
    dp[i][2] = dp[i - 2][1] + dp[i - 2][2];
  }
  return dp[n][1] + dp[n][2];
}
climbing_stairs_constraint_dp.rs
/* 帶約束爬樓梯:動態規劃 */
fn climbing_stairs_constraint_dp(n: usize) -> i32 {
    if n == 1 || n == 2 {
        return 1;
    };
    // 初始化 dp 表,用於儲存子問題的解
    let mut dp = vec![vec![-1; 3]; n + 1];
    // 初始狀態:預設最小子問題的解
    dp[1][1] = 1;
    dp[1][2] = 0;
    dp[2][1] = 0;
    dp[2][2] = 1;
    // 狀態轉移:從較小子問題逐步求解較大子問題
    for i in 3..=n {
        dp[i][1] = dp[i - 1][2];
        dp[i][2] = dp[i - 2][1] + dp[i - 2][2];
    }
    dp[n][1] + dp[n][2]
}
climbing_stairs_constraint_dp.c
/* 帶約束爬樓梯:動態規劃 */
int climbingStairsConstraintDP(int n) {
    if (n == 1 || n == 2) {
        return 1;
    }
    // 初始化 dp 表,用於儲存子問題的解
    int **dp = malloc((n + 1) * sizeof(int *));
    for (int i = 0; i <= n; i++) {
        dp[i] = calloc(3, sizeof(int));
    }
    // 初始狀態:預設最小子問題的解
    dp[1][1] = 1;
    dp[1][2] = 0;
    dp[2][1] = 0;
    dp[2][2] = 1;
    // 狀態轉移:從較小子問題逐步求解較大子問題
    for (int i = 3; i <= n; i++) {
        dp[i][1] = dp[i - 1][2];
        dp[i][2] = dp[i - 2][1] + dp[i - 2][2];
    }
    int res = dp[n][1] + dp[n][2];
    // 釋放記憶體
    for (int i = 0; i <= n; i++) {
        free(dp[i]);
    }
    free(dp);
    return res;
}
climbing_stairs_constraint_dp.kt
/* 帶約束爬樓梯:動態規劃 */
fun climbingStairsConstraintDP(n: Int): Int {
    if (n == 1 || n == 2) {
        return 1
    }
    // 初始化 dp 表,用於儲存子問題的解
    val dp = Array(n + 1) { IntArray(3) }
    // 初始狀態:預設最小子問題的解
    dp[1][1] = 1
    dp[1][2] = 0
    dp[2][1] = 0
    dp[2][2] = 1
    // 狀態轉移:從較小子問題逐步求解較大子問題
    for (i in 3..n) {
        dp[i][1] = dp[i - 1][2]
        dp[i][2] = dp[i - 2][1] + dp[i - 2][2]
    }
    return dp[n][1] + dp[n][2]
}
climbing_stairs_constraint_dp.rb
### 帶約束爬樓梯:動態規劃 ###
def climbing_stairs_constraint_dp(n)
  return 1 if n == 1 || n == 2

  # 初始化 dp 表,用於儲存子問題的解
  dp = Array.new(n + 1) { Array.new(3, 0) }
  # 初始狀態:預設最小子問題的解
  dp[1][1], dp[1][2] = 1, 0
  dp[2][1], dp[2][2] = 0, 1
  # 狀態轉移:從較小子問題逐步求解較大子問題
  for i in 3...(n + 1)
    dp[i][1] = dp[i - 1][2]
    dp[i][2] = dp[i - 2][1] + dp[i - 2][2]
  end

  dp[n][1] + dp[n][2]
end
視覺化執行

在上面的案例中,由於僅需多考慮前面一個狀態,因此我們仍然可以透過擴展狀態定義,使得問題重新滿足無後效性。然而,某些問題具有非常嚴重的“有後效性”。

爬樓梯與障礙生成

給定一個共有 \(n\) 階的樓梯,你每步可以上 \(1\) 階或者 \(2\) 階。規定當爬到第 \(i\) 階時,系統自動會在第 \(2i\) 階上放上障礙物,之後所有輪都不允許跳到第 \(2i\) 階上。例如,前兩輪分別跳到了第 \(2\)、\(3\) 階上,則之後就不能跳到第 \(4\)、\(6\) 階上。請問有多少種方案可以爬到樓頂?

在這個問題中,下次跳躍依賴過去所有的狀態,因為每一次跳躍都會在更高的階梯上設定障礙,並影響未來的跳躍。對於這類問題,動態規劃往往難以解決。

實際上,許多複雜的組合最佳化問題(例如旅行商問題)不滿足無後效性。對於這類問題,我們通常會選擇使用其他方法,例如啟發式搜尋、遺傳演算法、強化學習等,從而在有限時間內得到可用的區域性最優解。

歡迎在評論區留下你的見解、問題或建議