第一种,打表记忆
#include<iostream>
using namespace std;
const int N=100;
long long fid[N];
long long Fid(int n)
{
if(fid[n]>=0)
return fid[n];
fid[n]=Fid(n-1)+Fid(n-2);
return fid[n];
}
int main()
{
for(int i=0;i<N;i++)
fid[i]=-1;
fid[0]=0;
fid[1]=1;
for(int i=0;i<N;i++)
{
//cout<<fid[i]<<endl;
cout<<Fid(i)<<endl;
}
return 0;
}
第二种递推式动态规划
下面我们给出“动态规划”的官方定义:
dynamic programming (also known as dynamic optimization) is a method for solving a complex problem by breaking it down into a collection of simpler subproblems, solving each of those subproblems just once, and storing their solutions – ideally, using a memory-based data structure.
将原问题拆解成若干子问题,同时保存子问题的答案,使得每个子问题只求解一次,最终获得原问题的答案。
针对“动态规划”问题的一般思考路径
我们通常的做法是:使用记忆化搜索的思路思考原问题,但是使用动态规划的方法来实现。即“从上到下”思考,但是“从下到上”实现。
#include<iostream>
/*
用动态规划的方法求解斐波那契数列,从底层到上面求解
0 1 1 2 3 5 8 13 21 34 55 89 144 233
f g g g g g g g g g g g g g
g必须大于f,为了保证g就是要求的哪一个数列的数
*/
using namespace std;
int main()
{
for(int i=0;i<100;i++)
{
int n=i;
long f,g;
f=1,g=0;
while(n--)
{
g=g+f;
f=g-f;//这是让f退回一步
}
cout<<g<<endl;
}
return 0;
}
如果把递推关系式中的g=0 f=1
改变成 g=g+f f=g+f
表面上看也是正确的,但是实验一下
#include<iostream>
/*
如果把递推关系式中的g=0 f=1
改变成 g=g+f f=g+f
表面上看也是正确的,但是实验一下
*/
using namespace std;
int main()
{
for(int i=0;i<100;i++)
{
int n=i;
long f=0,g=1;
while(n--)
{
f+=g;
g+=f;
}
if(i%2==0)
{
cout<<i<<" "<<f<<endl;
}else{
cout<<i<<" "<<g<<endl;
}
}
/*
显然输出结果并不正确,原因就是跨度太大,n与关系是中斐波那契数列
项数对应不上
因此使用第一种方法
*/
return 0;
}