字节&leetcode70:爬楼梯问题
sisterAn opened this issue · comments
假设你正在爬楼梯。需要 n 阶你才能到达楼顶。
每次你可以爬 1 或 2 个台阶。你有多少种不同的方法可以爬到楼顶呢?
注意: 给定 n 是一个正整数。
示例 1:
输入: 2
输出: 2
解释: 有两种方法可以爬到楼顶。
1. 1 阶 + 1 阶
2. 2 阶
示例 2:
输入: 3
输出: 3
解释: 有三种方法可以爬到楼顶。
1. 1 阶 + 1 阶 + 1 阶
2. 1 阶 + 2 阶
3. 2 阶 + 1 阶
附赠leetcode地址:leetcode
解法:动态规划
动态规划(Dynamic Programming,DP)是一种将复杂问题分解成小问题求解的策略,但与分治算法不同的是,分治算法要求各子问题是相互独立的,而动态规划各子问题是相互关联的。
分治,顾名思义,就是分而治之,将一个复杂的问题,分成两个或多个相似的子问题,在把子问题分成更小的子问题,直到更小的子问题可以简单求解,求解子问题,则原问题的解则为子问题解的合并。
我们使用动态规划求解问题时,需要遵循以下几个重要步骤:
- 定义子问题
- 实现需要反复执行解决的子子问题部分
- 识别并求解出边界条件
第一步:定义子问题
如果用 dp[n]
表示第 n
级台阶的方案数,并且由题目知:最后一步可能迈 2 个台阶,也可迈 1 个台阶,即第 n
级台阶的方案数等于第 n-1
级台阶的方案数加上第 n-2
级台阶的方案数
第二步:实现需要反复执行解决的子子问题部分
dp[n] = dp[n−1] + dp[n−2]
第三步:识别并求解出边界条件
// 第 0 级 1 种方案
dp[0]=1
// 第 1 级也是 1 种方案
dp[1]=1
最后一步:把尾码翻译成代码,处理一些边界情况
let climbStairs = function(n) {
let dp = [1, 1]
for(let i = 2; i <= n; i++) {
dp[i] = dp[i - 1] + dp[i - 2]
}
return dp[n]
}
复杂度分析:
- 时间复杂度:O(n)
- 空间复杂度:O(n)
优化空间复杂度:
let climbStairs = function(n) {
let res = 1, n1 = 1, n2 = 1
for(let i = 2; i <= n; i++) {
res = n1 + n2
n1 = n2
n2 = res
}
return res
}
空间复杂度:O(1)
function bar(nums) {
if (nums === 0 || nums === 1) return 1;
return bar(nums - 1) + bar(nums - 2);
}
function foo(nums) {
const list = [1, 1];
for (let i = 2; i <= nums; i += 1) {
list[i] = list[i - 1] + list[i - 2];
}
return list[nums];
}
const res2 = foo(40);
const res = bar(40);
console.log(res === res2);
这个问题好像就是斐波那契数列,动态规划是一种解法,也可以用尾递归
function fib(n, ac1=1, ac2=1) {
if (n <= 2) return ac2
return fib(n-1, ac2, ac1+ac2)
}