三角形最小路径和 Triangle
数组 动态规划
问题
给定一个三角形，找出自顶向下的最小路径和。每一步只能移动到下一行中相邻的结点上。
例如，给定三角形：
[2],
[3,4],
[6,5,7],
[4,1,8,3]
自顶向下的最小路径和为 11（即，2 + 3 + 5 + 1 = 11）。
方法声明：
class Solution { public int minimumTotal(List<List<Integer>> triangle) { } }
动态规划(基础)
分析
如果只是简单分析的话，这道题和其他动态规划没啥区别，问题是代码写起来可能稍有点麻烦。
用动态规划分析的关键是发现递推式，我们定义一个二维数组 dp，其中 dp[i][j] 的含义为：
dp[i][j]：到达三角形第 i 行 第 j 那个元素所需要的最小步数
那么我们就可以分析出 dp[i][j] 的值的规律，所以很明显，递推式是这样的：
dp[i][j] = V(i,j) + min(dp[i-1][j-1] ,dp[i-1][j])
当然，针对边界元素我们需要单独处理一下，具体的代码实现如下：
代码
class Solution { public int minimumTotal(List<List<Integer>> triangle) { int len = triangle.size(); int[][] total = new int[len][len]; //保存的是到达最后一行各个元素的最短距离 total[0][0] = triangle.get(0).get(0); for (int i = 1; i < len; i++) { for (int j = 0; j <= i; j++) { if (j == 0) { total[i][j] = triangle.get(i).get(j) + total[i - 1][j]; } else if (j == i) { total[i][j] = triangle.get(i).get(j) + total[i - 1][j - 1]; } else { total[i][j] = triangle.get(i).get(j) + Math.min(total[i - 1][j], total[i - 1][j - 1]); } } } int min = Integer.MAX_VALUE; for (int i = 0; i < len; i++) { min = Math.min(min, total[len - 1][i]); } System.out.println(Arrays.toString(total[len - 1])); return min; } }
时间复杂度 O(n^2)
空间复杂度 O(n^2)
动态规划(逆向)
分析
假如我们是从倒数第二行(统一称为第 i 行)开始走的话，那么从倒数第二行的第 j 个元素走到最后一行所需要的最小步数为：
P(j) = V(i,j) + min(V(i+1,j),V(i+1,j+1))
我们对倒数第二行的所有元素都进行此计算，并将结果保存到集合 array 中，且 array 的第 j 个元素的值为 P(j)。
我们知道 P(j) 代表的含义为倒数第二行的第 j 个元素走到最后一行所需要的最小步数，所以如果让我们计算从倒数第二行走到最后一行所需要的最小步数，那么我们只需从 array 中选择值最小的那个元素即可。
同样道理，如果让我们从倒数第三行开始走的话，那么我们只需按同样的方式计算从倒数第三行的第 j 个元素走到 array 列 所需要的最小步数即可，而不需要关注倒数第二行和倒数第三行的数了。
经过此步骤后，我们发现问题的规模变小了，动态规划思想也就体现出来了。
遍历过程：
[2],
[3,4],
[6,5,7],
[4,1,8,3]
[2],
[3,4],
[7,6,10],
[2],
[9,10],
[11]
代码
class Solution { public int minimumTotal(List<List<Integer>> triangle) { int[][] dp = new int[triangle.size() + 1][triangle.size() + 1];// 加1可以不用初始化最后一层 for (int i = triangle.size() - 1; i >= 0; i--) { List<Integer> curTr = triangle.get(i); for (int j = 0; j < curTr.size(); j++) { dp[i][j] = Math.min(dp[i + 1][j], dp[i + 1][j + 1]) + curTr.get(j); } } return dp[0][0]; } }
时间复杂度 O(n^2)
空间复杂度 O(n^2)
动态规划(逆向 + 优化)
对于上面那种方式，我们可以继续优化。
我们发现在计算倒数第三行时，array 的长度和倒数第二行的长度相同，且有 替换 倒数第二行的效果，所以，我们可以不必再定义一个 array ，而只需把计算的结果赋给倒数第二行即可。
而在计算过程中，我们需要的 array 的长度会越来越小，这没关系，我们只需要关心自己需要的那些元素即可。
class Solution { public int minimumTotal(List<List<Integer>> triangle) { int[] dp = new int[triangle.size() + 1]; // 加1可以不用初始化最后一层 for (int i = triangle.size() - 1; i >= 0; i--) { List<Integer> curTr = triangle.get(i); for (int j = 0; j < curTr.size(); j++) { dp[j] = curTr.get(j) + Math.min(dp[j], dp[j + 1]); //这里的dp[j] 使用的时候默认是上一层的，赋值之后变成当前层 } } return dp[0]; } }
时间复杂度 O(n^2)
空间复杂度 O(n)
实际测试会发现，虽然空间复杂度大大降低了，但是总耗时却增加了。这也很好解释，因为时间复杂度并没有变，而空间复杂度减小又是在建立在增加了计算的基础上的，所以总时间当然会增加了。