1. 按摩师预约问题的动态规划解法这个问题乍一看像是生活场景中的小故事实际上是一个经典的动态规划练习。作为一名按摩师我们需要在众多预约请求中做出选择目标是最大化总服务时长同时遵守不能连续接受预约的规则。1.1 问题本质与建模这个问题本质上与著名的打家劫舍问题完全相同。我们可以将其抽象为一个序列选择问题给定一个非负整数数组nums我们需要从中选择一个子序列使得子序列中不能有相邻的元素子序列元素之和最大这种类型的问题在算法领域非常典型它考察的是我们对动态规划思想的理解和应用能力。动态规划特别适合解决这类具有最优子结构性质的问题——即全局最优解可以通过局部最优解的组合得到。1.2 暴力解法的局限性最直观的解法是枚举所有可能的预约组合然后找出符合条件的最大和。对于一个长度为n的数组这样的组合有2^n种可能每个预约都有选或不选两种选择。当n较大时比如n30这种暴力解法的时间复杂度将达到O(2^30)≈10^9这在现实中是完全不可行的。提示在实际编程面试中如果一个问题看起来可以用暴力解法但复杂度太高那么它很可能需要使用动态规划来优化。2. 动态规划解法详解2.1 状态定义与转移方程动态规划的核心在于定义状态和找到状态转移方程。对于这个问题我们可以这样定义状态设dp[i]表示考虑前i个预约时能获得的最大总时长。对于第i个预约我们有两种选择接受第i个预约那么不能接受第i-1个预约此时总时长为dp[i-2] nums[i]不接受第i个预约那么总时长保持为dp[i-1]因此状态转移方程为 dp[i] max(dp[i-1], dp[i-2] nums[i])这个方程完美体现了动态规划的核心思想——当前状态只依赖于前两个状态我们可以通过递推的方式计算出最终结果。2.2 边界条件处理在实际编码中我们需要特别注意边界条件空数组直接返回0单元素数组只能选择这个元素双元素数组选择较大的那个元素这些边界条件确保了我们的算法在任何输入情况下都能正确运行不会出现数组越界等错误。2.3 空间优化状态压缩观察状态转移方程我们发现dp[i]只依赖于dp[i-1]和dp[i-2]因此不需要存储整个dp数组只需要保存前两个状态即可。这就是所谓的状态压缩技巧可以将空间复杂度从O(n)降低到O(1)。在代码中我们用prev1和prev2两个变量来分别表示dp[i-1]和dp[i-2]通过不断滚动更新这两个变量来实现状态转移。3. 代码实现与解析class Solution { public int massage(int[] nums) { // 边界情况处理 if(nums.length 0) return 0; if(nums.length 1) return nums[0]; if(nums.length 2) return Math.max(nums[0], nums[1]); // 初始化状态 int prev2 nums[0]; // dp[0] int prev1 Math.max(nums[0], nums[1]); // dp[1] // 动态规划过程 for(int i 2; i nums.length; i) { int current Math.max(prev1, prev2 nums[i]); prev2 prev1; prev1 current; } return prev1; } }3.1 代码逐行解析边界处理空数组直接返回0单元素数组返回该元素值双元素数组返回较大值状态初始化prev2初始化为nums[0]表示第一个元素的最优解prev1初始化为前两个元素的较大值动态规划循环从第三个元素开始遍历计算当前状态current max(prev1, prev2 nums[i])滚动更新prev2和prev1返回结果最终结果存储在prev1中3.2 时间复杂度分析时间复杂度O(n)只需要一次遍历数组空间复杂度O(1)只使用了常数个额外空间这种解法在时间和空间上都是最优的。4. 常见问题与扩展思考4.1 为什么不需要考虑更早的状态这个问题经常困扰初学者。关键在于问题定义本身——不能接受相邻预约。这意味着当前选择最多只会影响前一个选择而不会影响更早的选择。因此我们只需要记住前两个状态就足够了。4.2 如何输出具体的预约选择方案原问题只需要返回最大总时长但面试中可能会要求输出具体的预约选择方案。这可以通过回溯法实现在动态规划过程中记录每个位置的选择选或不选从后向前回溯根据选择决定是否包含当前预约4.3 变种问题思考环形排列如果预约是环形排列的即第一个和最后一个也算相邻该如何解决解法可以分解为两个子问题——不选第一个元素和不选最后一个元素然后取两者的最大值树形结构如果预约关系形成一棵树不能选择相邻节点该如何解决解法树形动态规划每个节点维护选和不选两种情况的最优值4.4 实际应用场景虽然问题设定是按摩师预约但这类问题在实际中有广泛的应用任务调度选择互不冲突的任务组合以最大化收益资源分配在资源有限的情况下选择最优项目组合投资决策选择不相关的投资项目以获得最大回报5. 面试技巧与注意事项5.1 面试中如何应对这类问题识别问题模式看到不能连续选择、最大和等关键词立即想到动态规划先考虑暴力解法即使知道不高效也要先提出来然后分析其不足画图辅助在白板上画出小例子帮助理解状态转移注意边界条件空数组、单元素等特殊情况要专门处理考虑优化空间主动提出状态压缩的可能性5.2 常见错误与避免方法数组越界忘记处理空数组或单元素情况解决方法先写边界条件处理代码状态转移错误混淆prev1和prev2的更新顺序解决方法明确变量含义prev2总是代表i-2prev1代表i-1初始化错误prev1初始化为nums[1]而不是max(nums[0], nums[1])解决方法仔细考虑初始状态的含义5.3 性能优化思考虽然这个解法已经是O(n)时间复杂度和O(1)空间复杂度但在实际应用中还可以考虑并行计算对于超大数组可以将数组分段分别计算后合并结果预处理如果数组中有大量连续0可以预先压缩处理惰性计算如果只需要知道是否超过某个阈值可以提前终止计算6. 同类问题推荐为了巩固动态规划的理解建议练习以下类似问题打家劫舍系列问题LeetCode 198, 213, 337最大子数组和LeetCode 53买卖股票的最佳时机系列LeetCode 121, 122, 123等爬楼梯LeetCode 70最小路径和LeetCode 64每种问题都有其独特的状态定义和转移方程通过对比学习可以更好地掌握动态规划的精髓。在实际编程中我发现动态规划问题的难点不在于编码本身而在于如何将实际问题抽象为合适的状态表示。这需要大量的练习和经验积累。建议从简单问题开始逐步增加难度同时要养成画状态转移图的习惯这能帮助更直观地理解问题本质。 动态规划解决按摩师预约问题
1. 按摩师预约问题的动态规划解法这个问题乍一看像是生活场景中的小故事实际上是一个经典的动态规划练习。作为一名按摩师我们需要在众多预约请求中做出选择目标是最大化总服务时长同时遵守不能连续接受预约的规则。1.1 问题本质与建模这个问题本质上与著名的打家劫舍问题完全相同。我们可以将其抽象为一个序列选择问题给定一个非负整数数组nums我们需要从中选择一个子序列使得子序列中不能有相邻的元素子序列元素之和最大这种类型的问题在算法领域非常典型它考察的是我们对动态规划思想的理解和应用能力。动态规划特别适合解决这类具有最优子结构性质的问题——即全局最优解可以通过局部最优解的组合得到。1.2 暴力解法的局限性最直观的解法是枚举所有可能的预约组合然后找出符合条件的最大和。对于一个长度为n的数组这样的组合有2^n种可能每个预约都有选或不选两种选择。当n较大时比如n30这种暴力解法的时间复杂度将达到O(2^30)≈10^9这在现实中是完全不可行的。提示在实际编程面试中如果一个问题看起来可以用暴力解法但复杂度太高那么它很可能需要使用动态规划来优化。2. 动态规划解法详解2.1 状态定义与转移方程动态规划的核心在于定义状态和找到状态转移方程。对于这个问题我们可以这样定义状态设dp[i]表示考虑前i个预约时能获得的最大总时长。对于第i个预约我们有两种选择接受第i个预约那么不能接受第i-1个预约此时总时长为dp[i-2] nums[i]不接受第i个预约那么总时长保持为dp[i-1]因此状态转移方程为 dp[i] max(dp[i-1], dp[i-2] nums[i])这个方程完美体现了动态规划的核心思想——当前状态只依赖于前两个状态我们可以通过递推的方式计算出最终结果。2.2 边界条件处理在实际编码中我们需要特别注意边界条件空数组直接返回0单元素数组只能选择这个元素双元素数组选择较大的那个元素这些边界条件确保了我们的算法在任何输入情况下都能正确运行不会出现数组越界等错误。2.3 空间优化状态压缩观察状态转移方程我们发现dp[i]只依赖于dp[i-1]和dp[i-2]因此不需要存储整个dp数组只需要保存前两个状态即可。这就是所谓的状态压缩技巧可以将空间复杂度从O(n)降低到O(1)。在代码中我们用prev1和prev2两个变量来分别表示dp[i-1]和dp[i-2]通过不断滚动更新这两个变量来实现状态转移。3. 代码实现与解析class Solution { public int massage(int[] nums) { // 边界情况处理 if(nums.length 0) return 0; if(nums.length 1) return nums[0]; if(nums.length 2) return Math.max(nums[0], nums[1]); // 初始化状态 int prev2 nums[0]; // dp[0] int prev1 Math.max(nums[0], nums[1]); // dp[1] // 动态规划过程 for(int i 2; i nums.length; i) { int current Math.max(prev1, prev2 nums[i]); prev2 prev1; prev1 current; } return prev1; } }3.1 代码逐行解析边界处理空数组直接返回0单元素数组返回该元素值双元素数组返回较大值状态初始化prev2初始化为nums[0]表示第一个元素的最优解prev1初始化为前两个元素的较大值动态规划循环从第三个元素开始遍历计算当前状态current max(prev1, prev2 nums[i])滚动更新prev2和prev1返回结果最终结果存储在prev1中3.2 时间复杂度分析时间复杂度O(n)只需要一次遍历数组空间复杂度O(1)只使用了常数个额外空间这种解法在时间和空间上都是最优的。4. 常见问题与扩展思考4.1 为什么不需要考虑更早的状态这个问题经常困扰初学者。关键在于问题定义本身——不能接受相邻预约。这意味着当前选择最多只会影响前一个选择而不会影响更早的选择。因此我们只需要记住前两个状态就足够了。4.2 如何输出具体的预约选择方案原问题只需要返回最大总时长但面试中可能会要求输出具体的预约选择方案。这可以通过回溯法实现在动态规划过程中记录每个位置的选择选或不选从后向前回溯根据选择决定是否包含当前预约4.3 变种问题思考环形排列如果预约是环形排列的即第一个和最后一个也算相邻该如何解决解法可以分解为两个子问题——不选第一个元素和不选最后一个元素然后取两者的最大值树形结构如果预约关系形成一棵树不能选择相邻节点该如何解决解法树形动态规划每个节点维护选和不选两种情况的最优值4.4 实际应用场景虽然问题设定是按摩师预约但这类问题在实际中有广泛的应用任务调度选择互不冲突的任务组合以最大化收益资源分配在资源有限的情况下选择最优项目组合投资决策选择不相关的投资项目以获得最大回报5. 面试技巧与注意事项5.1 面试中如何应对这类问题识别问题模式看到不能连续选择、最大和等关键词立即想到动态规划先考虑暴力解法即使知道不高效也要先提出来然后分析其不足画图辅助在白板上画出小例子帮助理解状态转移注意边界条件空数组、单元素等特殊情况要专门处理考虑优化空间主动提出状态压缩的可能性5.2 常见错误与避免方法数组越界忘记处理空数组或单元素情况解决方法先写边界条件处理代码状态转移错误混淆prev1和prev2的更新顺序解决方法明确变量含义prev2总是代表i-2prev1代表i-1初始化错误prev1初始化为nums[1]而不是max(nums[0], nums[1])解决方法仔细考虑初始状态的含义5.3 性能优化思考虽然这个解法已经是O(n)时间复杂度和O(1)空间复杂度但在实际应用中还可以考虑并行计算对于超大数组可以将数组分段分别计算后合并结果预处理如果数组中有大量连续0可以预先压缩处理惰性计算如果只需要知道是否超过某个阈值可以提前终止计算6. 同类问题推荐为了巩固动态规划的理解建议练习以下类似问题打家劫舍系列问题LeetCode 198, 213, 337最大子数组和LeetCode 53买卖股票的最佳时机系列LeetCode 121, 122, 123等爬楼梯LeetCode 70最小路径和LeetCode 64每种问题都有其独特的状态定义和转移方程通过对比学习可以更好地掌握动态规划的精髓。在实际编程中我发现动态规划问题的难点不在于编码本身而在于如何将实际问题抽象为合适的状态表示。这需要大量的练习和经验积累。建议从简单问题开始逐步增加难度同时要养成画状态转移图的习惯这能帮助更直观地理解问题本质。