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。
| 路徑 | 代價計算 | 總費用 |
|---|---|---|
| 0→1→2→3 | 1+10+1 | 12 |
| 0→2→3 | 10+1 | 11 |
| 0→1→3 | 1+1 | 2 |
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:
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:
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]
/* 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];
}
/* 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];
}
/* 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];
}
/* 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]
}
/* 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]
}
/* 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];
}
/* 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];
}
/* 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];
}
/* 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]
}
/* 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;
}
/* 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]
}
### 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。
| 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 \(O(1)\) :
/* 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
}
/* 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;
}
/* 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;
}
/* 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;
}
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:
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。
| 階數i | dp[i,1] | dp[i,2] |
|---|---|---|
| 1 | 1 | 0 |
| 2 | 0 | 1 |
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:
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]
/* 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];
}
/* 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];
}
/* 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];
}
/* 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]
}
/* 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]
}
/* 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];
}
/* 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];
}
/* 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];
}
/* 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]
}
/* 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;
}
/* 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]
}
### 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。