动态规划是一种非常重要的算法设计思想。历史上有很多著名的算法都是基于这种思想设计而来的,例如:Needleman–Wunsch算法、CYK算法、FFT算法、维特比算法等等。动态规划的核心思想有两个:首先是将一个大问题拆解为若干子问题;其次是将曾经计算过的结果储存起来以备多次使用。
在本系列之前的文章中,我们已经介绍了动态规划算法设计的一种基本套路。但现实中的动态规划问题其实是五花八门的。之前的动规例子的解答都使用了递归,本文所补充的两个例子则采用循环。
首先是LeetCode中的#718题(Maximum Length of Repeated Subarray)。该问题的描述如下:
动态规划的一个核心思想是把之前已经得到的计算结果存储起来,以备复用。这其实基本上就是在用空间换时间。就本题而言,为了存储已经算过的结果,我们设计一个矩阵,并将其中的所有元素初始化为0。如果数组A中的元素A[i]与数组B中的元素B[j]相同,那么就更新矩阵中的一个元素[i,j]为1+[i-1,j-1],1表示当前这个字符匹配,而[i-1,j-1]表示之前的最长匹配子串。这其实也就是动规的状态转移方程。具体的实现代码如下:
class Solution {
public:
int findLength(vector<int>& A, vector<int>& B) {
int m = A.size();
int n = B.size();
int ** matrix = new int*[m+1];
for(int i = 0; i < m+1; i++)
{
matrix[i] = new int[n+1];
for(int j = 0; j < n+1; j++)
{
matrix[i][j] = 0;
}
}
int max = 0;
for(int i = 1; i < m+1; i++)
{
for(int j = 1; j < n+1; j++)
{
if(A[i-1]==B[j-1])
{
matrix[i][j] = 1 + matrix[i-1][j-1];
max = max > matrix[i][j] ? max : matrix[i][j];
}
else
matrix[i][j] = 0;
}
}
return max;
}
};
上述代码可以满足题目要求。另外注意到,上述实现中我们略去了“内存回收”的部分代码。当然,由于为了演示“动态规划”的套路,这里所采用的是一种非常朴素的实现方式、并为对其进行优化,你还可以改进它,以实现更高的效率。
与上面这道题目类似的还有#72题( Edit Distance)。该题目是要计算两个单词之间的编辑距离,其具体描述如下:
这道题目和前面的题目思路差不多,但是却复杂很多。题目本身可以使用著名的德勒曼-温施(Needleman-Wunsch)算法直接解决。Needleman-Wunsch算法也是历史上最早的应用动态规划思想设计的算法之一。关于该算法的更多内容,读者可以参考《算法之美(隐匿在数据结构背后的原理)》一书中的第3章,此处不再赘述。
需要说明的是,在具体使用Needleman-Wunsch算法时,要为各种编辑操作赋上不同的分值,而这个分值可以由使用者自行定义。而这道LeetCode题目的要求其实已经指明插入、删除和替换都对应于1个步骤(所以可以量化为1分)。这与书上作为例子时所设定的算分极值不同。下面我们给出最终的实现代码:
class Solution {
public:
int minDistance(string word1, string word2) {
int m = word1.size();
int n = word2.size();
if(m==0) return n;
if(n==0) return m;
int ** matrix = new int*[m+1];
int i = 0;
int j = 0;
int p = 0;
int q = 0;
for(i = 0; i < m+1; i++)
{
matrix[i] = new int[n+1];
matrix[i][0] = 0+i;
}
for(j = 0; j < n+1; j++)
{
matrix[0][j] = 0+j;
}
for(i = 1; i < m+1; i++)
{
for(j = 1; j < n+1; j++)
{
p = matrix[i][j-1] + 1 < matrix[i-1][j] + 1 ? matrix[i][j-1] + 1 : matrix[i-1][j] + 1;
if(word1[i-1]==word2[j-1])
{
q = matrix[i-1][j-1];
}
else
{
q = matrix[i-1][j-1] + 1;
}
matrix[i][j] = p < q ? p : q;
}
}
return matrix[m][n];
}
};
同样,上述实现中我们略去了“内存回收”的部分代码。
(本文完)
本博客中已经讨论过的LeetCode题目列表
LeetCode中的两道动态规划题目(#62、#63)
LeetCode中的动态规划题目解答(2)(#64)
LeetCode中的动态规划题目解答(3)(#72、#718)
最大连续子序列和问题(#53)
看看你是否真正掌握了Binary Search(#35)
ZigZag排列问题与经典笔试面试题目解析(#6)
括号匹配问题与经典笔试面试题目解析(#20、#32)
牛顿迭代法与一道经典编程问题(#69)
三道tricky的Leetcode面试题目解析(#48、#169、#231)
道关于哈希的Leetcode题目解析(#187、#389)
杨辉三角与一道经典笔试面试题目(#118、#119)
波兰表达式(Reverse Polish Notation)(#150)