乐趣区

关于leetcode:刷完15道js版dp题面试再也不怕了

jiezi

前言

某个男人 动静布局, 而我作为一个致力称为厨师界最会写算法的前端，总得刷上一部分题，有那么一点发现吧，当初咱们就来聊聊，菜鸡如我，发现了什么。

注释

汇总这周学习的当初，我脑壳疼的慌，啥货色都想不到，然而为了不破本人每周都总结一下下的指标，只能水几句了；

dp 如同是所有高级菜鸟的一个瓶颈，反正每次说到算法难在哪里，第一个想到的就是 dp，去吹牛皮说面试他人装逼，就说顺手甩几道 dp 去难为面试者的老哥层出不穷，所以 dp 有一种失望之巅的赶脚，只有翻过它，就能进阶了；

其实学习算法到面试遇到的算法，用到 dp 的时候其实没有，树，链表这些反而是超火的热题，所以 dp 对于前端以面试为目标的算法学习，属于一种积攒吧，就是经典题型学一学，遇到了原题搞一搞，遇到难题间接 pass，就是高考数学倒数两题的感觉，所以呢，所以把最经典的温习一遍，而后。。我就一菜鸡，我也不晓得, 反正后续应该会持续编吧，会学更深的 dp，毕竟这个货色是真的有意思，有趣味的能够到这里学习一下大神的总结

以上，切实吹不上来了，下线，睡觉；下周做，位运算吧；加油呀

题目汇总

股票买卖

    1. 交易股票的最佳时机
    1. 交易股票的最佳时机 II
    1. 交易股票的最佳时机 III
    1. 交易股票的最佳时机 IV
    1. 最佳交易股票机会含冷冻期
    1. 交易股票的最佳时机含手续费

打家劫舍

    1. 打家劫舍
    1. 打家劫舍 II
    1. 打家劫舍 III

记忆化递归

    1. 杨辉三角
    1. 爬楼梯
  • 面试题 08.06. 汉诺塔问题

其余

    1. 零钱兑换
    1. 零钱兑换 II — 凑计划
    1. 最长回文子串

题目

121. 交易股票的最佳时机

剖析：参考视频：传送门

  1. 交易 1 次，不须要距离, 不收手续费
  2. dp_0 示意没有持有的状态的最大利润，dp_1 示意持有状态下的最小老本
    2.5. 因为只进行一次交易，所以 dp_1 要尽可能大的取，确保买入的老本最小，而 dp_0 也要放弃最高，保障卖出最大
  3. 状态转移方程 dp_0 = Math.max(dp_0,dp_1+nums[i]), dp_1 = Math.max(dp_1,-nums[i])
  4. base case dp_0 =0 dp_1 = -nums[i]
var maxProfit = function(prices) {let dp_0 = 0,dp_1 = prices[0]
    for(let i = 0;i<prices.length;i++){dp_0 = Math.max(dp_0,dp_1+prices[i])
        dp_1 = Math.max(dp_1,-prices[i]) // 因为只会交易一次，这里
    }
    return dp_0
}

122. 交易股票的最佳时机 II

剖析

  1. 交易 n 次，不须要距离, 不收手续费
  2. dpi 示意在第 i+1 天（i 是下标值，对应的天数要 +1），状态为 j 时，最大利润，其中 i 就是 [0,len-1]，j 为 0 示意没有持有，为 1 示意持有
  3. 状态转移方程: dpi = Math.max(dpi-1+temp, dpi-1), dpi =Math.max(dpi-1, dpi-1-temp)
  4. base case: dp0 = 0, dp0 = -temp
  5. 工夫复杂度 O(n), 空间复杂度 O(n)
var maxProfit = function(prices) {const dp = new Array(prices).map(() => [])
    dp[0][0] = 0,dp[0][1] =prices[0]
    for (let i = 1; i < prices.length; i++) {dp[i][0] = Math.max(dp[i-1][1]+prices[i], dp[i-1][0])
        dp[i][1] =Math.max(dp[i-1][1], dp[i-1][0]-prices[i])
    }
    return dp[prices.length-1][0]
};

剖析 — 压缩空间变量

  1. 压缩一下，将二维数组转成两个变量 dp_0,dp_1
  2. 工夫复杂度 O(n), 空间复杂度 O(1)
var maxProfit = function(prices) {let dp_0 = 0,dp_1 = -prices[0]
    for (let i = 1; i < prices.length; i++) {
        const temp_0 = dp_0
        dp_0 = Math.max(dp_0,dp_1+prices[i])
        dp_1 = Math.max(temp_0-prices[i],dp_1)
    }
    return dp_0
}

123. 交易股票的最佳时机 III

剖析

  1. 交易 2 次，不须要距离, 不收手续费
  2. dpi[k] 示意在第 i+1 天（i 是下标值，对应的天数要 +1），持有状态为 j , 交易次数为 k 次时的最大利润，其中 i 就是 [0,len-1]，j 为 0 示意没有持有，为 1 示意持有
  3. 买入记作 1 次，卖出不记作一次交易
  4. 状态转移方程: dpi[k] = Math.max(dpi-1[k],dpi-1[k]+prices[i]), dpi[k] = Math.max(dpi-1[k],dpi-1[k-1]-prices[i])
  5. base case 1 — 交易次数为 0 次时的全副状态，如果此时是持有 1，即和交易次数为 0 产生抵触，只有交易次数没涨下来，任何交易都是耍流氓，所以相当于没有交易 0；如果是没有持有 0，那么初始化状态就是 0 了；
  6. base case 2 — 因为交易次数为 0 的状态曾经解决完了，这里交易次数起码为 1 次，也就是说持有属于失常操作，不持有属于异样，给个 0 占个地位；
  7. 这里最难的中央是 base case 的确定，总之如果交易次数和持有状态产生异样，则代表交易失败，只有用了交易次数，持有状态同步更新，才算是一次失常的交易；
var maxProfit = function (prices) {const dp = Array.from(prices).map(() => Array.from({length:2}).map(() => new Array(3)))
    const len = prices.length

    for(let i = 0;i<len;i++){for(let k = 1;k<=2;k++){
            // base case 1 -- 当 k 为 0 时
            dp[i][0][0]  = 0
            dp[i][1][0] = 0 // 只有交易次数没涨下来，任何交易都是耍流氓
            if(i === 0){
                // base case 2 -- 第一天时的状态 
                dp[0][0][k]  = 0 // 
                dp[0][1][k] = -prices[0]
                continue
            }
            dp[i][0][k] = Math.max(dp[i-1][0][k],dp[i-1][1][k]+prices[i])
            dp[i][1][k] = Math.max(dp[i-1][1][k],dp[i-1][0][k-1]-prices[i])
        }
    }
    return dp[len-1][0][2]
}

188. 交易股票的最佳时机 IV

  1. 和 123. 交易股票的最佳时机 III 是一样的操作和剖析
  2. 值得注意的是，这题的入参，prices.length 的范畴是 0,1000]，所以须要进行判空解决；而 [123. 交易股票的最佳时机 III 中的 prices.length 的范畴是 [1,pow(10,5)], 所以能够间接应用
var maxProfit = function(k, prices) {
    const len = prices.length
    if(len<2) return 0
    // dp[i][j][k] -- i 为 [0,len-1] j:0,1 ; k 为 [0,k]
    const dp =Array.from(prices).map(() => Array.from({length:2}).map(() => new Array(k+1).fill(0)))
    for (let i = 0; i < prices.length; i++) {
        // base case1 -- 交易次数为 0 的时候
        dp[i][0][0] = 0
        dp[i][1][0] = 0
        for (let j = 1; j <= k; j++) {if(i === 0){
                // base case2 -- 第一天交易
                dp[0][0][j] = 0
                dp[0][1][j] = -prices[0]
                continue
            }
            dp[i][0][j] = Math.max(dp[i-1][0][j],dp[i-1][1][j]+prices[i])          
            dp[i][1][j] = Math.max(dp[i-1][1][j],dp[i-1][0][j-1]-prices[i])          
        }
    }
    return dp[prices.length-1][0][k]
};

309. 最佳交易股票机会含冷冻期

剖析

  1. 交易 n 次，须要距离 1 天, 不收手续费
  2. dp_0_0 示意没有持有，不处于冷却期，dp_0_1 示意没有持有，处于冷却期, dp_1_0 失常状况，持有的时候没有冷却期，dp_1_1 属于矛盾的状态，疏忽

  3. 状态转移方程:

    • dp_0_0 = Math.max(dp_0_0, dp_0_1);
    • dp_0_1 = dp_1_0 + prices[i];
    • dp_1_0 = Math.max(dp_1_0,temp – prices[i]);
  4. base case: dp_0_0 = 0, dp_0_1 = 0, dp_1_0 = -prices[0];
  5. 次要留神有冷却期的是没有持有才会触发，所以总共只有三种状态,dp_0_0 = 0, dp_0_1, dp_1_0；所以能够间接将空间复杂度压缩到 O(1)
var maxProfit = function (prices) {
  const len = prices.length;
  if (len < 2) return 0;
  let dp_0_0 = 0,
    dp_0_1 = 0,
    dp_1_0 = -prices[0];

  for (let i = 1; i < len; i++) {
    const temp = dp_0_0;
    // 不在冷却中的没持有状态，证实上一次只可能是没有持有的状态
    dp_0_0 = Math.max(dp_0_0, dp_0_1);
    dp_0_1 = dp_1_0 + prices[i];
    dp_1_0 = Math.max(dp_1_0,temp - prices[i]);
  }
  return Math.max(dp_0_0, dp_0_1);
};

console.log(maxProfit([1, 2, 4]));

714. 交易股票的最佳时机含手续费

剖析

  1. 交易 n 次，无距离, 收手续费
  2. 因为要收手续费，那么就不是怎么交易都是好的了，必须将老本算上去，之前都是无本例如，只须要低买高卖就成，当初必须思考可能会亏的可能
  3. 整体剖析和 122. 交易股票的最佳时机 II 一样，只是在卖出的时候，加上 fee 即可
 var maxProfit = function(prices, fee) {let dp_0 = 0, dp_1 = -prices[0]
    for (let i = 1; i < prices.length; i++) {
        const temp =dp_0
        dp_0 = Math.max(dp_0,dp_1 + prices[i] - fee)
        dp_1 = Math.max(dp_1,temp - prices[i])
    }
    return dp_0
};

198. 打家劫舍

剖析

  1. dpi 示意在第 i 个房子没有偷东西时的最高金额，dpi 示意偷东西了的最高金额
  2. 状态转移方程: dpi = Math.max(dpi-1,dpi-1) dpi = dpi-1+nums[i]
  3. base case dp0 = 0 dp0= numns[0]
  4. 工夫复杂度 O(n), 空间复杂度 O(n)
var rob = function (nums) {
  const len = nums.length;
  const dp = new Array(len).fill(null).map(() => new Array(2));
  dp[0][0] = 0;
  dp[0][1] = nums[0];
  for (let i = 1; i < len; i++) {dp[i][0] = Math.max(dp[i - 1][1], dp[i - 1][0]);
    dp[i][1] = dp[i - 1][0] + nums[i];
  }

  return Math.max(dp[len - 1][0], dp[len - 1][1]);
};

剖析

  1. 降维，每次的值只和前一个无关，且状态值只有两个，所以能够间接用两个变量 dp_0,dp_1 示意
  2. 工夫复杂度 O(n), 空间复杂度 O(n)
var rob = function (nums) {let dp_0 = 0,dp_1 = nums[0]
  for (let i = 1; i < len; i++) {
        const temp = dp_0 // 保留一下上一个 dp_0
        dp_0 = Math.max(dp_0,dp_1)
        dp_1 = temp+nums[i]
    }
    return Math.max(dp_0,dp_1)
}

213. 打家劫舍 II

剖析

  1. dpi[k] 其中 i 示意第 i 个值，j 示意第一个房子是否偷了，k 示意以后这个房子有没有偷
  2. 状态转移方程: dpi[k] = dpi-1[k]
  3. base case: dp0[0] = 0, dp0[1] = nums[0],dp0[1] = -1,dp0[0] = -1
  4. 工夫复杂度 O(n) 空间复杂度 O(n)
 var rob = function (nums) {
  const len = nums.length;
  const dp = new Array(len)
    .fill(0)
    .map(() => new Array(2).fill(0).map(() => new Array(2).fill(-1)));
  (dp[0][0][0] = 0), (dp[0][1][1] = nums[0]);
  for (let i = 1; i < len; i++) {dp[i][0][0] = Math.max(dp[i - 1][0][0], dp[i - 1][0][1]);
    dp[i][0][1] = dp[i - 1][0][0] + nums[i];
    dp[i][1][0] = Math.max(dp[i - 1][1][0], dp[i - 1][1][1]);
    dp[i][1][1] = i === len - 1 ? dp[i - 1][1][1] : dp[i - 1][1][0] + nums[i];
  }
  return Math.max(dp[len - 1][0][0], dp[len - 1][0][1], dp[len - 1][1][0],dp[len - 1][1][1]);
};

剖析

  1. 降维，每次的值只和前一个无关，且两个状态值别离只有两个 item，所以能够间接用四个变量 dp_0_0,dp_1_1,dp_1_0,dp_0_1 放弃迭代过程中的状态
  2. 工夫复杂度 O(n), 空间复杂度 O(n)
var rob = function (nums) {let dp_0_0 = 0, dp_1_1 = nums[0], dp_1_0 = -1,dp_0_1 = -1  
  for (let i = 1; i < nums.length; i++) {
    const temp_0_0 =  dp_0_0
    const temp_1_0 =  dp_1_0
    dp_0_0 = Math.max(dp_0_0,dp_0_1)
    dp_0_1 = temp_0_0 + nums[i]
    dp_1_0 = Math.max(dp_1_0,dp_1_1)
    dp_1_1 = i === nums.length - 1 ?  dp_1_1 : temp_1_0+nums[i]

  }
  return Math.max(dp_0_0,dp_1_1,dp_1_0,dp_0_1);
};

337. 打家劫舍 III

剖析

  1. 自低向上求最大的状态值，每一个节点都返回两个状态值[dp_0,dp_1] , 其中 dp_0 示意没有取挡墙 root.val 的值，dp_1 示意取了以后 val 的最大值
  2. 最开始也尝试应用自顶向下放弃状态去取，然而能够获得单条门路的最大状态值，累加的话须要找出反复的状态节点，所以不太适合
  3. 自底向上取能够保障所有连线上的节点的状态都一一进行解决，最初汇总到根节点上，失去最大值，而自顶向下，最初其实是扩散的，最大值在哪里不好确定，这里也不行个别的 dp 用数组保留所有状态值，所以为了就一个聚合值，也应该思考是自底向上，求根节点的状态值
  4. 工夫复杂度 O(n), 空间复杂度 O(1)
var rob = function (root) {const recursion = (root) => {if (!root) return [0, 0];
    const [ldp_0, ldp_1] = recursion(root.left);
    const [rdp_0, rdp_1] = recursion(root.right);

    const dp_0 = Math.max(
      ldp_0 + rdp_0,
      ldp_0 + rdp_1,
      ldp_1 + rdp_0,
      ldp_1 + rdp_1
    );
    const dp_1 = ldp_0 + rdp_0 + root.val;
    return [dp_0, dp_1];
  };
  const [dp_0, dp_1] = recursion(root);
  return Math.max(dp_0, dp_1);
};

118. 杨辉三角

剖析

  1. 杨辉三角中，两条边都是 1
  2. 三角里的值 numrow = numrow-1+numrow-1
  3. 只须要设置好边界，能够间接用 dp 缓存自顶向下遍历过的 numrow
var generate = function(numRows) {const dp = new Array(numRows)
    for (let i = 0; i < numRows; i++) {dp[i] = new Array() ;
        for(let j = 0;j<=i;j++){
            // 杨辉三角的两边都是 1
            if(j ===  0  || j === i) {dp[i][j] = 1
                continue
            }
            dp[i][j] = dp[i-1][j-1]+dp[i-1][j]
        }      
    }
    return dp
};

console.log(generate(1))
console.log(generate(2))
console.log(generate(5))

70. 爬楼梯

剖析 — 记忆化递归 — 自顶向下缓存对应的值

  1. 用 map 存储递归过程中存储不同楼梯长度 key, 对应的走法 value
  2. 每一次递归都先查 map 是否曾经有答案，没有的时候再递归往下持续走
  3. base case，[0->1,1->1], 应用 map 缓存值，能够缩小反复的两头操作，升高工夫复杂度
  4. 工夫复杂度 O(n), 空间复杂度 O(n)
var climbStairs = function(n) {const map = new Map()
    map.set(1,1)
    map.set(0,1)
    const recursion= (n) => {if(map.has(n)) return map.get(n)
        const sum =  recursion(n-1)+recursion(n-2)
        map.set(n,sum)
        return sum
    }
    return recursion(n)
};

@剖析 — dp

  1. 应用 dp[i] 示意楼梯为 i 时，有多少种走法
  2. 状态转移方程: dp[i] = dp[i-1]+dp[i-2]
  3. base case: dp[0] + dp[1] = 1 — 啥也不走也是一种走法
  4. 工夫复杂度 O(n), 空间复杂度 O(n)
var climbStairs = function(n) {const dp = []
    dp[1] = 1
    dp[0] = 1
    for (let i = 2; i <= n; i++) {dp[i] = dp[i-1]+dp[i-2]
    }
    return dp[n]
}

面试题 08.06. 汉诺塔问题

剖析

  1. 这个一个典型的递归问题, 每一次都要将 n 个值从 first 启动，通过 second，最初达到 end
  2. 拆解一下，如果 n === 1，间接从 first -> end 即可
  3. 如果有 n > 1, 那么须要先将 n-1 个值从 first -> end -> second 存储起来，将剩下的一个间接从 first -> end
  4. 通过步骤 3，以后 first 是空的,second 有 n-1 个值，end 有 1 个最大值，当初这种状况等价于将 n-1 个值从 second -> first -> end，这样最初就能在 end 中找到一个残缺的 n 个值的数组了
  5. 工夫复杂度 O(n2)
var hanota = function(A, B, C) {
    const len = A.length;
    const recursion = (n,first,second,end) => {if(n === 1) {const a = first.pop()
            end.push(a)
            return
        }
        // 将 n-1 个值从 first -> end -> second, 而后将最初的值从 first 挪动到 end
        recursion(n-1,first,end,second)
        end.push(first.pop())
        // 当初 end 有一个值，second 有 n-1 个值，first 为空
        // 再将 n-1 个值从 second -> first -> end
        recursion(n-1,second,first,end)
    }
    recursion(len,A,B,C)
};

322. 零钱兑换

剖析 — 硬币数有限

  1. 状态定义：dp[i] 示意凑成总金额为 i 时所需的起码的硬币数
  2. 状态转移方程: dp[i] = Math.min(dp[i-coins[x]])+1 — 别离计算出上一次取一枚硬币时，最小的数，而后 + 1 即可
  3. base case: dp[0] = 0
  4. 工夫复杂度 O(n∗m) 其中 n 是硬币数量，m 是金额总数，空间复杂度为 O(m)
var coinChange = function (coins, amount) {const dp = new Array(amount + 1)
  // base case
  dp[0] = 0; // 如果总金额为 0，则不须要取了
  for (let i = 1; i <= amount; i++) {dp[i] = Infinity // 初始化
    for (coin of coins) {if (i >= coin) {dp[i] = Math.min(dp[i], dp[i - coin] + 1);
      }
    }
  }
  return dp[amount] === Infinity ? -1 : dp[amount];
};

// 两层遍历是无所谓 的，排列组合都 ok，因为求的是一个极值
var coinChange = function (coins, amount) {const dp = new Array(amount + 1).fill(Infinity);
  // base case
  dp[0] = 0; // 如果总金额为 0，则不须要取了
  for (coin of coins) {for (let i = 1; i <= amount; i++) {if (i >= coin) {dp[i] = Math.min(dp[i], dp[i - coin] + 1);
      }
    }
  }
  return dp[amount] === Infinity ? -1 : dp[amount];
};

518. 零钱兑换 II — 凑计划

剖析

  1. 始终不了解为什么必须是外层写 coins 的循环，内层写 amount 循环，因为这个 322. 零钱兑换 还是有点相似的，都是凑钱，一个是凑最小的数，而我这里凑的计划
  2. 也正因为凑的是计划数，所以 1-2-1 和 1-1-2 是一样的计划，这里要的只是组合，而不须要排列；
  3. 所以如果外层是 amount，就思考到了每一次取硬币的程序，失去的是一个排列数，与本题不合乎，所以把 coins 放外层，那么整个方案设计就只和硬币的类型无关，和取的程序无关了 — 有感于此，在下面那题加一个 coins 外层嵌套的写法也是 ok 的；
  4. 状态定义：dp[i] 示意凑成总金额为 i 时存在的计划 — 给定 amount 硬币数组，硬币品种不一样，失去的计划数不一样
  5. 状态转移方程: dp[i] = sum(dp[i-coin]) — 别离计算出取走一枚硬币时，可能凑出的计划数
  6. base case: dp[0] = 1 // 不取也是一种计划
  7. 工夫复杂度 O(n∗m) 其中 n 是硬币数量，m 是金额总数，空间复杂度为 O(m)
var change = function (amount, coins) {const dp = new Array(amount + 1).fill(0); // 凑不齐就是 0 个计划了
  dp[0] = 1; // 不取也是一种计划

    // 相当于背包问题中，背包里的货色有哪些，每多一样货色，就能够更新计划
  for (coin of coins) {for (let i = coin; i <= amount; i++) {
        // 只有比以后币值高的，才须要更新计划数
      dp[i] = dp[i] + dp[i - coin];
    }
  }
  return dp[amount];
};

5. 最长回文子串

剖析

  1. 状态定义 — dpi 示意 在 [i,j] 的子串是一个回文子串
  2. 状态转移方程: dpi = s[i] === s[j] && dpi+1
  3. base case: j-i<1 && s[i] === s[j] 时，dpi = true, 他们就是回文子串
  4. dp 是依据已知值去推断无后续性的值，所以要求 dpi 的时候，要不 dpi+1 曾经晓得，要不就是一个 base case
  5. 所以外层包裹的是一个起点值，而后 i 处于内层向前扩大
 var longestPalindrome = function(s) {const dp =Array.from(s).map(() => new Array()) 
    let ret = ''
    for(let j = 0;j <s.length;j++){for(let i =j;i>=0;i--){if( j-i<2 && s[i] === s[j]){
                // base case : 单个字符
                dp[i][j] = true
            }else if(s[i] === s[j] && dp[i+1][j-1]){dp[i][j] = true
            }
            if(dp[i][j] && j-i+1>ret.length){ret = s.slice(i,j+1)
            }
        }   
    }
    return ret
};
退出移动版