动态规划与递归
从研究虚拟dom的实现中看到动态规划的概念。
斐波那契的例子
动态规划与递归的区别
从子问题解决原问题, 无非是两种方法，自底向上(Bottom-Up)与自顶向下(Top-Down)，形式上前者对应iteration，利用循环将结果存在数组里，从数组起始位置向后计算；后者对应recursion，即利用函数调用自身实现，如果不存储上一个状态的解，则为递归，否则就是DP。
递归(自底向上)
int Fibonacci(int n)
{
if(n == 0)
return 0;
if(n == 1)
return 1;
return Fibonacci(n-1) + Fibonacci(n-2);
}
function interval(func, w, t){
var interv = function(){
if(typeof t === "undefined" || t-- > 0){
setTimeout(interv, w);
try{
func.call(null);
}
catch(e){
t = 0;
throw e.toString();
}
}
};
setTimeout(interv, w);
};
动态规划(自顶向下)
int array[n] = {0};
array[1] = 1;
for (int i = 2; i < n; i++)
array[i] = array[i-1] + array[i-2];
我们看到动态规划做了缓存，存储了一个数组。为什么递归的时间复杂度是指数级的，动态规划的时间复杂度是线性级的？
递归算法中， 必定有很多重复的情况。
比如要做以下算术
要求得f(10)，需要求得f(9)和f(8)。同样，要求得f(9)，要先求得f(8)和f(7)……我们用树形结构来表示这种依赖关系
如上图，我们的f(8)计算两次，f(7)三次…这些都是重复的计算，并且规模越大，重复的越多。会随着n的增大而急剧增大。
其实改进的方法并不复杂。上述方法之所以慢是因为重复的计算太多，只要避免重复计算就行了。比如我们可以把已经得到的数列中间项保存起来，如果下次需要计算的时候我们先查找一下，如果前面已经计算过了就不用再次计算了。
而如果我们聪明点的话，我们可以把一些已经计算的过程记录下来
1+1 =2 => add[1][1]= 2
add[1][1] =2 ; 2 +1 =3 => add[2][1] =3
add[2][1]=3 ; 3+1 = 4 => add[3][1] =4;
add[3][1] =4; 4+1=5 => add[4] [1] =5 ;
共 4次运算(递归需要7次)。因为add[][]是一个数字，可以直接返回。
复杂度的区别
所以随着规模的增大，动态规划对内存的占用也是越来越多的。这本质上是在用空间换时间。
最小编辑距离问题
给定两个字符串 a 和 b，只允许以下三种操作：
- 插入一个字符；
- 删除一个字符；
- 替换一个字符。
求：把 a 转换成 b 的最小操作次数，也就是所谓的最小编辑距离。
举例： “xy” => “xz”，只需要把 y 替换成 z，因此，最小编辑距离为 1。
“xyz” => “xy”，只需要删除 z ，因此，最小编辑距离为 1。
求解这个问题，一般有两种思路：递归和动态规划。
递归
- 如果 a[m] === b[n]，那么问题转化为求解：a[1]a[2]…a[m-1] => b[1]b[2]…b[n-1] 的最小编辑距离，因此 d[m][n] === d[m-1][n-1]。比如，”xyz” => “pqz” 的最小编辑距离等于 “xy” => “pq” 的最小编辑距离。
- 如果 a[m] !== b[n]，又分为三种情况：
- 比如，”xyz” => “efg” 的最小编辑距离等于 “xy” => “efg” 的最小编辑距离 + 1（因为允许插入操作，插入一个 “z”），抽象的描述便是 d[m][n] === d[m-1][n] + 1。
- 比如，”xyz” => “efg” 的最小编辑距离等于 “xyzg” => “efg” 的最小编辑距离 + 1，且因为最后一个字符都是 “g”，根据第一个判断条件，可以再等于 “xyz” => “ef” 的最小编辑距离 + 1，因此，得到结论：”xyz” => “efg” 的最小编辑距离等于 “xyz” => “ef” 的最小编辑距离 + 1，抽象的描述便是：d[m][n] === d[m][n-1] + 1。
- 比如，”xyz” => “efg” 的最小编辑距离等于 “xyg” => “efg” 的最小编辑距离 + 1（因为允许替换操作，可以把 “g” 换成 “z”），再等于 “xy” => “ef” 的编辑距离 + 1（根据第一个判断条件），抽象的描述便是： d[m][n] === d[m-1][n-1] + 1。
上述三种情况都有可能出现，因此，取其中的最小值便是整体上的最小编辑距离。
- 如果 a 的长度为 0，那么 a => b 的最小编辑距离为 b 的长度；反过来，如果 b 的长度为 0，那么 a => b 的最小编辑距离为 a 的长度。
* 递归算法
* @param {string} a
* @param {string} b
* @param {number} i 字符串 a 的长度
* @param {number} j 字符串 b 的长度
* @returns {number} 从 a → b 的最小编辑距离
*/
function recursion(a, b, i, j) {
if (j === 0) {
return i;
} else if (i === 0) {
return j;
} else if (a[i - 1] === b [j - 1]) {
return recursion(a, b, i - 1, j - 1);
} else {
let m1 = recursion(a, b, i - 1, j) + 1;
let m2 = recursion(a, b, i, j - 1) + 1;
let m3 = recursion(a, b, i - 1, j - 1) + 1;
return Math.min(m1, m2, m3);
}
}
动态规划
动态规划其实就是把一个复杂的最优解问题分解成一系列较为简单的最优解问题，再将较为简单的最优解问题一步步分解，直到能够一眼看出为止。
动态规划看起来跟递归很像，不过推理逻辑正好是反过来的。递归的逻辑是：“要求得 d[m][n]，先要求得 d[m-1][n-1]……”，动态规划的逻辑是：“先求得 d[m-1][n-1]，再求 d[m][n]……”这是它们的主要区别。
举个例子，在已知 d[0][0]，d[0][1]，d[1][0] 的前提下，要求 d[1][1]：
- 如果 a[1] === b[1]，那么 d[1][1] 等于 d[0][0]，也就是 0；
- 如果 a[1] !== b[1]，那么 d[1][1] 等于 d[0][1]、d[1][0] 和 d[0][0] 三者中的最小值 + 1，也就是 1。
接着用同样的方式，可以求得 d[1][2]、d[1][3]、……、d[1][n]，然后继续求得 d[2][1]、d[2][2]、……、d[2][n]，一直到 d[m][n]。代码实现如下：
/**
* 动态规划算法
* @param {string} a
* @param {string} b
* @returns {number} 从 a → b 的最小编辑距离
*/
function dynamicPlanning(a, b) {
let lenA = a.length;
let lenB = b.length;
let d = [];
d[0] = [];
for (let j = 0; j <= lenB; j++) {
d[0].push(j);
}
for (let i = 0; i <= lenA; i++) {
if (d[i]) {
d[i][0] = i;
} else {
d[i] = [];
d[i][0] = i;
}
}
for (let i = 1; i <= lenA; i++) {
for (let j = 1; j <= lenB; j++) {
if (a[i - 1] === b[j - 1]) {
d[i][j] = d[i - 1][j - 1];
} else {
let m1 = d[i - 1][j] + 1;
let m2 = d[i][j - 1] + 1;
let m3 = d[i - 1][j - 1] + 1;
d[i][j] = Math.min(m1, m2, m3);
}
}
}
return d[lenA][lenB];
}
