动态规划之-不同路径 II-滚动数组_20230421

DP动态规划之-滚动数组

1. 前言

在学习 不同路径II 的动态规划过程中，从介绍资料中了解到 滚动数组可以进一步降低动态规划解空间的复杂度，更高效利用计算机的储存空间。动态规划中的滚动数组究竟能发挥哪些作用，在常规的动态规划中，我们又是如何进行具体的应用呢？

从本质上理解，滚动数组的作用就是为了更好利用储存空间，用有限的空间不断进行覆盖，从而完成整体算法任务，具体而言分为两类：

• 一维数组简化为2个或3个变量
• 二维数组简化为1维数组

2. 一维数组转化为滚动数组

具体看一个斐波那契数列的例子，中规中矩的动态规划数组一般设定为dp[n+1]，其中n表示斐波那契数列的下标（位置），通过dp[n]=dp[n-1]+dp[n-2]求解出所有的斐波那契数列。

动态规划的基础解为dp[1]=1, dp[2]=1，然后通过循环求出每个位置上的斐波那契数字，最后返回dp[n]即为所求得的具体解。

int fib_normal_array(int n)
{int i;int dp[n+1];dp[1]=1;dp[2]=1;for(i=3;i<=n;i++){dp[i]=dp[i-1]+dp[i-2];}return dp[n];
}

那么如何转化为滚动数组呢？ 通过观察我们发现，对于每个位置上的斐波那契数字，它仅仅与前面两个相邻的斐波那契数字相关，再往前的斐波那契数字与它无关。这就给我们些微的思路，尝试探索用3个单独变量来滚动实现斐波那契数字的求解。假定f1,f2和f3为连续的三个斐波那契数字，f3=f1+f2, 接下来把f2赋值给f1, f3赋值给f2，神奇的事情就会发生，让我们看具体的代码实现。

int fib_scrolling_array(int n)
{int i;int f1;int f2;int f3;f1=1;f2=1;for(i=3;i<=n;i++){f3=f1+f2;f1=f2;f2=f3;}return f3;
}

用图来进一步解释说明，可以观察出，f2和f3不断滚动到f1和f2, 周而复始，最终求得f3具体值，由于新值与旧值不断交换，形象称之为滚动。

上述例子可以看出，通过合理的变量设定，可以把占用空间从n降低为3个变量，但是工程问题永远都有两面性，减少了储存空间，那么如果要查找，就只能找到至多三个斐波那契数字，如果设定的一维数组，那么就可以通过下标任意查询。具体采用哪种模式，需要根据具体问题具体分析。

3. 二维数组简化为一维数组

很多情况下，动态规划问题的求解有赖于DP二维数组，通过dp[i][j]与前面已知求得的解进行关联求和或求布尔运算，从而求出dp[i][j]的具体值。

看一个具体例子，前面曾经提到的 不同路径II的问题，常规情况下，利用二维DP数组进行求解，如果采用滚动数组的概念，则可以把二维数组优化为一维数组，如果进一步深入理解，也就是把二维数组的n×m个变量空间优化为m个变量空间，从形式上直观理解，二维数组自然退化为一维数组。

先给出 不同路径II的问题描述，问题引用自leetcode.

一个机器人位于一个 m x n 网格的左上角 （起始点在下图中标记为 “Start” ）。机器人每次只能向下或者向右移动一步。机器人试图达到网格的右下角（在下图中标记为 “Finish”）。现在考虑网格中有障碍物。那么从左上角到右下角将会有多少条不同的路径？网格中的障碍物和空位置分别用 1 和 0 来表示。

这个问题可以称之为条件式的动态规划问题，这源于障碍物的限制，障碍物限制会导致递归模式中的剪枝情况出现，本问题采用DP迭代动态规划，它会通过判断语句，对不同的dp[i]][j]进行赋值。

动态规划的重要特征是通过最优化子问题定义状态转移方程，可以理解为先定义最优化子问题，然后通过定义的子问题递归或迭代求出原问题的解。

对于此问题，题目要求求解最终不同路径的数目，同时限制了路径的走向，对于任意一个坐标点f(i,j)，如果需要求出到达此点的路径的总数目，可以分两种情况：

• 情况1，如果此处存在路障，那么f(i,j)=0, 用编程语言描述，如果路障数组在某处obstacleGrid[i][j]的值为1，那么这个点和之前任何点都没有关系，到达此处的路径总数为0
• 情况2， 如果此处畅通无阻，这是可以把(i,j)看作是路径的终点，显而易见，f(i,j)和它相邻的做单元格和上单元格相关，进一步观察，实际上f(i,j)的路径总数取决于f(i-1,j) 和f(i,j-1)的数量之和，我们可以称作f(i-1,j)和f(i,j-1)为f(i,j)的子问题

从上面分析可以看出，采用动态规划最简单的方法就是定义一套二维数组，数组的坐标位置代表机器人所需要到达的目标位置，数组的值来储存到达此处的不同路径总数目。

对于DP值，需要找到它的基础值，也就是DAG路径当中的终点值。

对于第一行或第一列的障碍物数组，只要碰到出现障碍物，那么障碍物之后的不同路径总数目都为0，具体看实际例子，比如obstacle_grid[0][2]=1,那么它(包括本身）之后的在第一行中的DP数组的值(路径数目)都为0。同理对于obstacle_gride[0][3]的值为1（障碍物），那么它（包括本身）之后的所有第一列当中的DP数组的值均为0.

int unique_path(int **obstacle_grid, int row, int col)
{int i; //row indexint j; //column indexint dp[row][col];memset(dp,0,sizeof(dp));dp[0][0]=(obstacle_grid[0][0]==0);for(i=1;i<row;i++){dp[i][0]=dp[i-1][0] && !(obstacle_grid[i][0]);}for(j=1;j<col;j++){dp[0][j]=dp[0][j-1] && !(obstacle_grid[0][j]);}for(i=1;i<row;i++){for(j=1;j<col;j++){if(obstacle_grid[i][j]==0){dp[i][j]=dp[i-1][j]+dp[i][j-1];}else{dp[i][j]=0; //depends on the current node isntead of previous node}            }}return dp[row-1][col-1];
}void create_obstacle(int ***obstacle_grid, int row, int col)
{int i;int j;*obstacle_grid=(int **)malloc(sizeof(int *)*row);for(i=0;i<row;i++){*(*obstacle_grid+i)=(int *)malloc(sizeof(int)*col);memset(*(*obstacle_grid + i),0,sizeof(int)*col);}//(*obstacle_grid)[1][1]=1return;
}
#endif

大家如果仔细观察,可以发现，如果当前位置上没有路障，那么DP储存的不同路径数目仅和其紧邻左侧和上侧值有关，这时候最朴素的理解是不是可以采用dp[m][2]来储存数据呢？ 答案当然是可行的，用两行一维数组来储存，并且交替更新数据，可以得到所求的结果，没有任何问题。

再进一步深度思考，能否采用一维数组实现算法呢？ 答案也是肯定的，只不过需要用图示来说明一下它的实际来历。假定要计算新的DP[3]值，那么如何从同一行中的数值进行计算呢，实际上很简单DP[3]=DP[3](原有的值，相当于上侧)+DP[2](原有的值，相当于左侧)，通过在同一行数组中的“滚动”更新，从而求得答案。

具体代码实现：

int unique_path(int **obstacle_grid, int row, int col)
{//using the scrolling array/listint dp[col];int i;int j;memset(dp,0,sizeof(dp)); //need set the initial value as zerodp[0]=(obstacle_grid[0][0]==0);for(i=0;i<row;i++){for(j=0;j<col;j++){if(obstacle_grid[i][j]==1){dp[j]=0;}else if((j-1)>=0 && obstacle_grid[i][j]==0){dp[j]=dp[j]+dp[j-1];}}}return dp[col-1];
}

那么我们再进一步深入思考此问题，因为过程中实际上仅仅三个变量相关，那么能否采用与Fibonacci相同的3个变量实现方式呢？我们把答案留给读者思考，在此不再赘述。

4. 小结

通过斐波那契和不同路径II问题的分析，勾勒出滚动数组两种常见的优化方式，其主要从时间复杂度上降低DP所占用的具体储存空间。由于其实现过程类似于“滚动”过程，我们形象称之为滚动数组。滚动数组实际上不止在动态规划中有应用，在线性链表遍历中，也可以采用类似概念，实现空间复杂度的降低。

参考资料：

63. 不同路径 II - 力扣（Leetcode）