当前位置: 首页 > news >正文

松江泗泾附近做网站网站seo顾问

松江泗泾附近做网站,网站seo顾问,网站服务器错误怎么解决,一建的专业目录 基础内容: 动态规划: 动态规划理解的问题引入: 解析:(暴力回溯) 代码示例: 暴力搜索: Dfs代码示例:(搜索) 暴力递归产生的递归树&…

目录

基础内容:

动态规划:

动态规划理解的问题引入:

解析:(暴力回溯)

代码示例:

暴力搜索:

Dfs代码示例:(搜索)

暴力递归产生的递归树:

记忆化搜索:

代码示例:

动态规划:

代码示例:(动态规划,从最小子问题开始)

执行过程(动态规划):

解析:(动态规划)

空间优化:

代码示例:

解析:


基础内容:

什么是动态规划,动态规划作为一种手段可以解决哪些问题,动态规划的分类,以及具体的分类可以解决的具体问题的分类。

动态规划:

是一个重要的算法范式,它将一个问题分解成一系列更小的子问题,并通过存储子问题解避免重复计算,从而大幅度提升时间效率。

动态规划理解的问题引入:

通过爬楼梯的案例来引入这个问题,给定一个共有n阶的楼梯,你每步可以上1阶或者2阶,请问有多少种方案可以爬到楼顶。

解析:(暴力回溯)

本题目的目标是求解方案数量,我们可以考虑通过回溯来穷举所有可能性。具体来说,将爬楼梯想象为一个多轮选择的过程:从地面出发,每轮选择上一阶或者二阶,每当达到楼梯顶部时就将方案数量加1,当越过楼梯顶部就将其剪枝。

代码示例

# python代码示例
def backrack(choices,state,n,res) :if state == n :res[0] += 1 for choice in choices :if state + choice > n :continuebackrack(choices,state+choice,n,res)
def climbing_stairs_backrack(n) :choices = [1,2]state = 0res = [0]backrack(choices,state,n,res)return res[0]
n = int(input())
print(climbing_stairs_backrack(n))
// c++代码示例
void backrack(vector<int> &choices, int state, int n, vector<int> &res)
{if (state == n ){res[0]++ ;}for (auto &choice : choices){if (state + choice > n){continue ;}backrack(choices, state + choice, n, res)}
}int climbingStairsBackrack(int n)
{    vector<int> choices = {1 , 2 } ;int state = 0 ;vector<int> res = [0] ;backrack(choices, state, n, res) ;return res[0] ;
}

暴力搜索:

回溯算法通常并不显式地对问题进行拆解,而是将问题看作一系列决策步骤,通过试探和剪枝,搜索所有可能的解。

我们可以尝试从问题分解的角度分析这道题。设爬到第i阶共有dp[i]中方案,那么dp[i]就是原问题,其子问题包括:

dp[i-1],dp[i-2],dp[1],dp[2]

由于每轮只能上1阶或者2阶,因此当我们站在第i阶楼梯上时,上一轮只可能站在第i-1或者i-2台阶上。换句话说,我们只能从第i-1阶或者第i-2阶迈向第i阶。

由此便可以得出一个重要的推论:爬到第i-1阶的方案加上爬到第i-2阶的方案数就等于爬到第i阶的方案数。公式如下:

dp[i] = dp[i-1] + dp[i-2]

这就意味着,爬楼问题中存在着递推的关系,原问题可由子问题的解构建来得到解决

Dfs代码示例:(搜索)

# python 代码示例
def dfs(i : int) -> int :if i == 1 or i == 2 :return icount = dfs(i - 1) + dfs(i - 2)return count
def climbing_stairs_dfs(n : int) -> int :retunr dfs(n)
// c++ 代码示例
int dfs(int i)
{if (i == 1 || i == 2){return i ;}int count = dfs(i - 1) + dfs(i - 2);return count ;
}
int climbingStairsDFS(int n)
{retunr dfs(n) ;
}

暴力递归产生的递归树

解决上述递归树中的重复问题,采用记忆化搜索的方式,可以把大量重复构建的相同子树进行去掉,从而达到提高计算效率。(重叠子问题

记忆化搜索:

将所有重叠的子问题只进行一遍计算,需要声明一个数组nem来记录每个子问题的解,并在搜索过程中将重叠子问题剪枝。

  1. 当首次计算dp[i]时,将其记录在nem[i],便于后续的使用
  2. 当再次计算dp[i]时,直接在nem[i]中进行获取结果,避免重复子问题的计算。

代码示例:

# python 代码示例
def dfs(i : int, mem : list[int]) -> int :if i == 1 or i == 2 :return iif mem[i] != -1 :return mem[i]count = dfs(i - 1, mem) + dfs(i - 2, mem)# 记录dfs(i)mem[i] = countreturn count
def climbing_stairs_dfs_mem(n : int) -> int :mem = [-1] * (n + 1)return dfs(n, mem)
// c++ 代码示例
int dfs(int i, vector<int> &mem)
{if (i == 1 || i == 2){return i ;}if (mem != -1){return mem[i] ;}int count = dfs(i - 1, mem) + dfs(i - 2, mem) ;mem[i] = count ;return count ;
}
int climbingStairsDFSMem(int n)
{vector<int> mem(n + 1, -1) ;return dfs(n, mem) ; 
}

经过记忆化处理后,所有重叠的子问题都只计算一次,时间复杂度优化到了O(n)

动态规划:

记忆化搜索是一种”从顶至低”的方法,我们从原问题(根节点)开始,递归地将较大子问题分解成较小子问题,直至解已知的最小子问题(叶节点)。之后,通过回溯逐层收集子问题的解,构建出原问题的解。

与之相反,动态规划是一种“从底至顶”方法:从最小子问题的解开始,迭代地构建更大子问题的解,直至得到原问题的解。

由于动态规划不包含回溯过程,因此只需要使用循环迭代实现,无须使用递归。

代码示例:(动态规划,从最小子问题开始)

# python 代码示例
def clibing_stairs_dp(n) :if n == 1 or n == 2 :return ndp = [0] * (n + 1)dp[1], dp[2] = 1, 2for i in range(3,n + 1) :dp[i] = dp[i-1] + dp[i- 2]return dp[n]
// c++ 代码示例int climbingStairsDP(int n) 
{if (n == 1 || n == 2){retunr n ;}vector<int> dp(n + 1, -1) ;dp[1] = 1 ;    dp[2] = 2 ;for (int i = 3 ; i <= n ; i++){dp[i] = dp[i - 1] + dp[i- 2] ;}return dp[n] ;
}

执行过程(动态规划):

解析:(动态规划)

相似于回溯算法,动态规划也使用“状态”概念来表示问题求解的特定阶段,每个状态都对应一个子问题以及相应的局部最优解。例:爬楼梯问题的状态定义为当前所在楼梯的阶数i

根据以上内容,我们可以总结为动态术语的常用术语:

  1. 将数组dp称为{dp表},dp[i]表示状态i对应子问题的解
  2. 将最小子问题对应的状态,(第一阶和第二阶楼梯)称为初始状态
  3. 将递推公式dp[i] = dp[i-1] + dp[i-2]称为状态方程

空间优化:

dp[i] 只跟 dp[i-1] 和 dp[i-2] 有关

无须使用一个数组来存储所有子问题的解,只需要两个变量滚动前进即可。

代码示例:

# python 代码示例
def clibing_stairs_dp_comp(n) :if n == 1 or n == 2 :return na, b = 1, 2for _ in range(3, n + 1) :a, b = b , a + breturn b
// c++ 代码示例
int climbingStairsComp(int n) 
{if (n == 1 || n == 2){return n ;}int a = 1 , b = 2 ;for (int i = 3 ; i <= n ; i++){int temp = b ;b = a + b ;a = temp ;}return b ;
}

解析:

省去了数组dp所占用的空间,空间复杂度由O(n)降为O(1)

在动态规划问题中,当前状态仅与前面有限个状态有关,这时我们可以只保留必要的状态,通过“降维”来节省内存空间。这种空间优化技巧被称为“滚动变量”或“滚动数组”。

http://www.shuangfujiaoyu.com/news/51411.html

相关文章:

  • 企业网站建设实训心得搜索竞价
  • 行业门户网seo引擎优化外包
  • 商城类网站如何做百度云网盘资源搜索引擎
  • 做一个小程序商城需要多少钱百度如何优化排名靠前
  • 网站推广在哪些平台做外链百度搜索指数和资讯指数
  • 合优做网站需要多少钱seo内部优化方案
  • 祁东网站建设竞价托管多少钱一个月
  • 江西网站开发哪家专业自动点击器软件
  • 销售网站开发背景意义营销案例
  • 装修设计网站哪个最好怎么弄一个自己的网站
  • 企业官方网站管理制度定制网站多少钱
  • 怎呀做网站附近的教育培训机构有哪些
  • 网络营销的特点不包括以下网站排名优化软件有哪些
  • 网站设计的一般流程线上营销方式
  • 电子商务网站建设前期图片外链生成器
  • 淘宝上买网站建设靠谱吗哪个平台可以免费打广告
  • 团购网站开发惠州seo优化
  • 网站备案资料申请产品推广营销
  • 做行业导航网站好外贸网站seo
  • php做的网站模板下载成人大学报名官网入口
  • 做动态网站需要什么书正规seo关键词排名网络公司
  • 外国小孩和大人做网站百度发布平台官网
  • 网站网页制作教程注册域名
  • 需要网站建设贵州seo培训
  • 做网站所用的工具百度经验手机版官网
  • 长沙给中小企业做网站的公司怎么自己注册网站
  • 网站图标ico 需要多大网络推广都有什么方式
  • 浏阳做网站推荐企业网站seo排名
  • 那个网站可以做司考真题华为手机软文范文300
  • 湖州做网站品牌推广的作用