python动态规划详解_经典动态规划例题整理（Python版）

由于本人的算法基础较为薄弱，所以在这里整理一下自己的做过的题，使自己能够随时随地回顾温习。

然后，本篇文章将会持续更新自己遇到的一些比较经典动态规划的题目，大家如果对代码有任何问题，直接在文章下面评论即可。我看到后会立刻回复。

1.我对动态规划的理解

网上对动态规划的介绍的文章已经很多了，那这里我还是要谈一下自己的理解，希望能够给大家带来一些灵感。

我所理解的动态规划，就两个词：动态、规划。动态我自己理解为：一个问题可以拆分为若干个子问题，然后通过逐步递推，得到最终的结果。规划就是最优问题，整体的最优细分到每个递推环节的最优。

然后，解决动态规划问题，最重要的可以发现其中的状态转移方程，我理解的状态转移方程的意思就是：一个通用的方程，即任意中间一个状态能够由前面的状态所推导得到。比如下图的dp[i][j]状态，就可以由左上的3个状态推导得到。

很多动态规划的问题，具体解法大多都是通过一个二维数组来存储中间环节的最优解。最后求二维数组中的最大值或者最后一个值。还有一种情况就是：如果当前状态只跟前面的一个状态有关，那么二维数组是可以优化为一维数组的，这样空间复杂度就由O(n2)优化为O(n)了。

2.例题整理

2.1 经典01背包问题

题目描述：一个人去偷东西，他的背包容量最大为20kg，然后有重量、价值不等的物品，比如重量为2、价值为3的物品，每件物品只能拿一件，求小偷能偷到的物品最大的价值。

"""

物品重量与价值对应关系：

w v

2 3

3 4

5 8

9 10

背包容量：20

"""

import numpy as np

def func(pack, cap):

max_value_arr = np.zeros([len(pack)+1, cap+1])

# 第一列与第一排全为0，这样为后续能递推max_value_arr的值

max_value_arr[:,0] = 0

max_value_arr[0,:] = 0

# i代表pack物品的序号

for i in range(1, len(pack)+1):

# j代表包中剩余的空间

for j in range(1, cap+1):

# 第一种情况，包中剩余空间不足

if j < pack[i-1][0]:

max_value_arr[i, j] = max_value_arr[i-1, j]

# 第二种情况，包中空间足够

else:

# a代表放入当前物品后包中总价值，w是当前物品的所占空间

w = pack[i-1][0]

"""

下面这行是关键！！！为什么是i-1，这里必须用i-1才能推出当前的max_value_arr的值，

然后再加上单独的value

"""

a = max_value_arr[i-1, j-w] + pack[i-1][1]

# b代表不放当前物品包中的总价值，两者求最大值

b = max_value_arr[i-1, j]

max_value_arr[i, j] = max(a, b)

print(max_value_arr[-1, -1])

test_pack = [[2, 3],

[3, 4],

[4, 5],

[5, 8],

[9, 10]]

func(test_pack, 20)

2.2 最长公共子串

题目描述：a b两个字符串，求a b的最长公共子串。子串与子序列不同，子串必须是连续的，而子序列可以不连续。例如：

输入: a="abccbca"，b="bccca"

输出: 3

解释: 最长公共子序列就是"bcc"，为3

# 动态规划：只有当a[i-1]==b[j-1]时，子串长度才会在i-1与j-1的基础上+1

# 如果不同，则不变。用变量来记录表中最大的子串长度

a = "abccccdd"

b = "abcabcbbccs"

la = len(a)

lb = len(b)

res = [[0 for i in range(lb+1)] for j in range(la+1)]

mmax = 0

for i in range(1, la+1):

for j in range(1, lb+1):

if a[i-1] == b[j-1]:

res[i][j] = res[i-1][j-1] + 1

mmax = max(res[i][j], mmax)

print(mmax)

2.3 最长公共子序列（Leetcode1143）

题目描述：a b两个字符串，求a b的最长公共子序列。这里与上一题要区分开，重点是子序列可以是不连续的。

输入: a="abccbca"，b="bccca"

输出: 6

解释: 最长公共子序列就是"bccca"，为6

# 动态规划：相等就+1

# 如果不相等，则是max（a字符串少一个字符，b字符串少一个字符）

a = "abccccdd"

b = "abcabcbbcs"

la = len(a)

lb = len(b)

res = [[0 for i in range(lb+1)] for j in range(la+1)]

for i in range(1, la+1):

for j in range(1, lb+1):

if a[i-1] == b[j-1]:

res[i][j] = res[i-1][j-1] + 1

else:

res[i][j] = max(res[i-1][j], res[i][j-1])

print(res[-1][-1])

2.4 最大子序和（Leetcode53）

题目描述：给定一个整数数组 nums ，找到一个具有最大和的连续子数组（子数组最少包含一个元素），返回其最大和。例如：

输入: [-2,1,-3,4,-1,2,1,-5,4],

输出: 6

解释: 连续子数组 [4,-1,2,1] 的和最大，为 6。

# 每项为：以此项为结尾的最大子序和

# 如果前一项的子序和<0，那么此项结尾的最大子序和就是本身

# 如果前一项的子序和>0，那么此项结尾的最大子序和就是前一项加上本身

def maxSubArray(nums):

l = len(nums)

res = [0 for i in range(l)]

for i in range(l):

if i == 0:

res[i] = nums[i]

else:

if res[i - 1] <= 0:

res[i] = nums[i]

else:

res[i] = nums[i] + res[i - 1]

return max(res)

2.5 最长上升子序列（Leetcode300）

题目描述：给定一个无序的整数数组，找到其中最长上升子序列的长度。例如：

输入: [10,9,2,5,3,7,101,18]

输出: 4

解释: 最长的上升子序列是 [2,3,7,101]，它的长度是 4。

# 最长上升子序列（动态规划）

# res[i]代表以此项为结尾的最大上升子序列的长度

# 关键是，拿当前值nums[i]与前面的值nums[j]相对比

# 如果比它大，那么就可以在res[j]的基础上加1。最后判断遍历完nums前j个元素后，加一的最大值，作为res[i]

def lengthOfLIS(nums):

l = len(nums)

if l == 0:

return 0

res = [1 for i in range(l)]

for i in range(l):

max_ = 1

temp = 0

for j in range(i):

if nums[i] > nums[j]:

temp = res[j] + 1

if temp > max_:

max_ = temp

res[i] = max_

return res

nums = [10,9,2,5,3,7,101,1]

print(lengthOfLIS(nums))

# 2，3，7，101 max为4

2.6 摆动序列（Leetcode376）

题目描述：如果连续数字之间的差严格地在正数和负数之间交替，则数字序列称为摆动序列。第一个差（如果存在的话）可能是正数或负数。少于两个元素的序列也是摆动序列。

给定一个整数序列，返回作为摆动序列的最长子序列的长度。通过从原始序列中删除一些（也可以不删除）元素来获得子序列，剩下的元素保持其原始顺序。例如：

输入: [1,17,5,10,13,15,10,5,16,8]

输出: 7

解释: 这个序列包含几个长度为 7 摆动序列，其中一个可为[1,17,10,13,10,16,8]。

# 这题分为，如果上一次的摆动时正时，那么如果此次为负摆动的时候，最长摆动序列为上一次的最长摆动序列加1，

# 如果此次为正摆动或者没有摆动时，最长摆动序列就是上一次的最长摆动序列数；如果上一次摆动为负时，那么

# 如果此次为正摆动的时候，最长摆动序列为上一次的最长摆动序列加1，如果此次为负摆动或者没有摆动时，最长

# 摆动序列就是上一次的最长摆动序列数。用数组来记录这些上一次的最长摆动序列，方便以后使用。

test_list = [1, 17, 3, 20, 15, 6, 7, 8]

def swing(test):

if len(test) < 2:

return len(test)

up = 1

down = 1

idx = 1

n = len(test)

while idx < n:

if test[idx] > test[idx-1]:

up = down + 1

if test[idx] < test[idx-1]:

down = up + 1

idx += 1

return max(up, down)

print(swing(test_list))

2.7 最小路径和（Leetcode64）

题目描述：给定一个包含非负整数的 m x n 网格，请找出一条从左上角到右下角的路径，使得路径上的数字总和为最小。注意：每次只能向下或者向右移动一步。

这个题很常见，面试经常被问到。

输入:

[

[1,3,1],

[1,5,1],

[4,2,1]

]

输出: 7

解释: 因为路径 1→3→1→1→1 的总和最小。

def minPathSum(grid):

for i in range(len(grid)):

for j in range(len(grid[0])):

if i == j == 0:

continue

elif i == 0:

grid[i][j] = grid[i][j - 1] + grid[i][j]

elif j == 0:

grid[i][j] = grid[i - 1][j] + grid[i][j]

else:

grid[i][j] = min(grid[i - 1][j], grid[i][j - 1]) + grid[i][j]

return grid[-1][-1]

持续更新中……

python动态规划详解_经典动态规划例题整理（Python版）相关推荐

100行的python作品详解_不到 100 行 Python 代码徐峥变葛优
给照片换脸大家应该都见过,本文我们来介绍一下如何通过 Python 实现换脸. 功能实现实现换脸功能,我们大致可以分为两种:一种是所有功能都通过自己编码来实现,另一种是借助于第三方 API 来实现, ...
python etree详解_使用lxml.etree解析python alexa结果
您遇到两个挑战: >使用名称空间的XML >两个共享相同名称空间前缀的名称空间具有两个不同名称空间重用前缀的XML文档您会看到" aws:"前缀,但是它用于两个不同 ...
五大常用算法—动态规划详解和经典题目(python)
一.基本概念把多阶段过程转化为一系列单阶段问题,利用各阶段之间的关系,逐个求解. 动态规划过程:每次决策依赖于当前状态,又随即引起状态的转移.一个决策序列就是在变化的状态中产生出来的, ...
超详细！动态规划详解分析（典型例题分析和对比，附源码）
为啥要使用动态规划?什么时候使用动态规划?以下是我的一些理解和心得,如果你感兴趣,就接着往下看吧. 对您有帮助的话记得给我点个赞哟! 动态规划的基本思想动态规划(Dynamic Programmin ...
python argv 详解_对python中的argv和argc使用详解
主要问题为什么argv中第一个,即index=0的内容就是文件名? python中argc是用什么实现的? 概念解释 argc:argument counter,命令行参数个数 argv:argum ...
python学习详解_深入解析Python小白学习【操作列表】
1.遍历列表需要对列表中的每个元素都执行相同的操作时,可使用for 循环: magicians = ['alice','david','carolina'] for magician in magi ...
python的抽象类详解_第7.19节 Python中的抽象类详解：abstractmethod、abc与真实子类...
第7.19节 Python中的抽象类详解:abstractmethod.abc与真实子类一. 引言前面相关的章节已经介绍过,Python中定义某种类型是以实现了该类型对应的协议为标准的,而不是以继 ...
python凯撒密码详解_四十八、Python用smtp发邮件详解(163和QQ邮箱)
Python发邮件详解一.利用163的smtp发送邮件 import smtplibfrom email.mime.text import MIMETextfrom email.header imp ...
python跳一跳脚本详解_微信跳一跳游戏 python脚本辅助得高分
微信小程序一时间火爆朋友圈,关键是还有排行榜!游戏操作简单,可直接根据电脑识别,用python写出自动跳辅助脚本,本想动手写下,索性网上有大神写了现成脚本,修改了一小部分参数,就可以稳定使用了霸榜没有 ...

python动态规划详解_经典动态规划例题整理（Python版）

python动态规划详解_经典动态规划例题整理（Python版）相关推荐

最新文章

热门文章