美文网首页LeetCode Question
LeetCode -- Dynamic Programming例

LeetCode -- Dynamic Programming例

作者: Leahlijuan | 来源:发表于2019-08-21 23:41 被阅读0次

    今天继续攻克Dynamic Programming。接下来要分析的一道题是maximal square
    题目是说给我们一个只包含0和1的二维矩阵,让我们找出最大的只包含1的最大的正方形,返回这个正方形的面积。

    Input: 
    
    1 0 1 0 0
    1 0 1 1 1
    1 1 1 1 1
    1 0 0 1 0
    
    Output: 4
    

    通过前面做DP题目的经验,我发现如果能直接从下到上地分析,其实并不一定从从上到下地开始分析,因为那太费时间。我发现这就是一题可以从下到上直接分析的题目。
    对于这样一个矩阵,我们可以新建一个同样维度的矩阵dp,dp[i][j]就表示以i,j作为我们要找的正方形的右下角的点,那么这个正方形的边长是多少。
    我们不难总结出这样的公式:
    matrix[i][j] = 0, 那么dp[i][j] = 0。因为此处值为0,无法组成值均为1的正方形;
    matrix[i][j] = 1,有dp[i][j] = Math.min(dp[i-1][j], dp[i][j-1], dp[i-1][j-1]) + 1,这是因为左上角,左边,上面这三个值的最小值表示的是这三个正方形的重合部分,+1则能够表示以i,j为右下角的正方形的边长。
    有了这个思想,不难写出如下代码

    class Solution {
        public int maximalSquare(char[][] matrix) {
            if(matrix.length == 0 || matrix[0].length == 0) {
                return 0;
            }
            int row = matrix.length, col = matrix[0].length;
            int[][] m = new int[row][col];
            int res = 0;
            for (int i = 0; i < row; i++) {
                for (int j = 0; j < col; j++) {
                    if (i == 0 || j == 0) {
                        m[i][j] = Character.getNumericValue(matrix[i][j]);
                        res = Math.max(m[i][j],res);
                    } else if (Character.getNumericValue(matrix[i][j]) == 1) {
                        m[i][j] = Math.min(Math.min(m[i-1][j], m[i][j-1]),
                                          m[i-1][j-1]) + 1;
                        res = Math.max(m[i][j],res);
                    }
                }
            }
            return res*res;
        }
    }
    

    但通过查看solution,发现用同一个思想,有更加精简的答案:

    public class Solution {
        public int maximalSquare(char[][] matrix) {
            int rows = matrix.length, cols = rows > 0 ? matrix[0].length : 0;
            int[][] dp = new int[rows + 1][cols + 1];
            int maxsqlen = 0;
            for (int i = 1; i <= rows; i++) {
                for (int j = 1; j <= cols; j++) {
                    if (matrix[i-1][j-1] == '1'){
                        dp[i][j] = Math.min(Math.min(dp[i][j - 1], dp[i - 1][j]), dp[i - 1][j - 1]) + 1;
                        maxsqlen = Math.max(maxsqlen, dp[i][j]);
                    }
                }
            }
            return maxsqlen * maxsqlen;
        }
    }
    

    solution中较为精简的答案相对于我的代码一个大的变化是dp矩阵的维度改变int[][] dp = new int[rows + 1][cols + 1];
    这个改变使得在for loop中不需要先确认是否是第1行或者第一列。别的基本是一致的。但这个改变还是在一定程度上加快了运算。

    当答案到这里,已经是一个经典的dp解法了,但solution中还给出了另一种更加高效的dp解法。
    我们注意到更新过程用的公式是dp[i][j] = Math.min(dp[i-1][j], dp[i][j-1], dp[i-1][j-1]) + 1。与前面coin change2使用相同的思想,我们可以并不需要储存每一行的数据,而是可以直接更新每一行的数据,也就是把dp[i][j-1]表示为dp[j-1],而dp[i-1][j]则是前一期的dp[j]$,这里用prev来表示:

    class Solution {
        public int maximalSquare(char[][] matrix) {
            int row = matrix.length, col = (row == 0)? 0: matrix[0].length;
            int[] dp = new int[col+1];
            int maxsqlen = 0, prev = 0;
            for (int i = 1; i <= row; i++) {
                for (int j = 1; j <= col; j++) {
                    int tmp = dp[j];
                    if (matrix[i-1][j-1] == '1') {
                        dp[j] =Math.min(Math.min(dp[j - 1], prev), dp[j]) + 1;
                        maxsqlen = Math.max(maxsqlen, dp[j]);
                    } else {
                        dp[j] = 0;
                    }
                    prev = tmp;
                }
            }
            return maxsqlen*maxsqlen;
        }
    }
    

    改进后的方法节约了一些momory。

    总结

    很多dp问题不一定要先从recursion的思想开始思考,可以直接从下到上地用iteration的方法思考。

    相关文章

      网友评论

        本文标题:LeetCode -- Dynamic Programming例

        本文链接:https://www.haomeiwen.com/subject/qzbwsctx.html