大厂算法面试 7 天冲刺:第5天- 递归与动态规划深度解析 - 高频面试算法 & Java 实战

Scroll Down

第5天:递归与动态规划深度解析 - 高频面试算法 & Java 实战

1. 递归 & 动态规划核心概念

1.1 递归(Recursion)

递归是一种通过函数调用自身来解决问题的方法,通常用于分解大问题为子问题
关键点:

  • 递归终止条件(Base Case)
  • 递归关系(Recurrence Relation)
  • 避免重复计算(记忆化或动态规划)

1.2 动态规划(Dynamic Programming, DP)

动态规划是一种优化递归的算法,核心思想是**“将问题分解为子问题,存储子问题的结果,以避免重复计算”**。
核心步骤:

  1. 定义状态(State):确定 dp 数组的含义。
  2. 状态转移方程(Transition):找到递推关系。
  3. 初始化(Initialization):确定基本情况。
  4. 遍历顺序(Order):自顶向下(递归)或自底向上(迭代)。
  5. 返回最终结果(Result)

2. 高频算法题及 Java 代码实现

问题1:爬楼梯(Climbing Stairs)

问题描述

假设你正在爬楼梯。每次可以爬 12 个台阶,总共有 n 个台阶,问有多少种不同的爬楼方式?

示例

Input: n = 3  
Output: 3  
Explanation: (1,1,1), (1,2), (2,1)

解法1:递归(指数时间复杂度 O(2ⁿ))

public int climbStairs(int n) {
    if (n <= 2) return n;
    return climbStairs(n - 1) + climbStairs(n - 2);
}

解法2:记忆化递归(O(n) 时间 & O(n) 空间)

public int climbStairs(int n, Map<Integer, Integer> memo) {
    if (n <= 2) return n;
    if (memo.containsKey(n)) return memo.get(n);
    int result = climbStairs(n - 1, memo) + climbStairs(n - 2, memo);
    memo.put(n, result);
    return result;
}

解法3:动态规划(O(n) 时间 & O(n) 空间)

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

解法4:斐波那契优化(O(n) 时间 & O(1) 空间)

public int climbStairs(int n) {
    if (n <= 2) return n;
    int prev1 = 1, prev2 = 2;
    for (int i = 3; i <= n; i++) {
        int temp = prev1 + prev2;
        prev1 = prev2;
        prev2 = temp;
    }
    return prev2;
}

问题2:打家劫舍(House Robber)

问题描述

你是一个专业的盗贼,计划抢劫一条街上的房屋,每间房屋存有一定现金。如果两间相邻的房屋被盗,警报会触发。
问:如何偷取到最多的钱?

示例

Input: nums = [2,7,9,3,1]  
Output: 12  
Explanation: 选择 2 + 9 + 1 = 12,而不是 7 + 3 = 10。

解法1:递归(O(2ⁿ))

public int rob(int[] nums) {
    return robHelper(nums, nums.length - 1);
}

private int robHelper(int[] nums, int i) {
    if (i < 0) return 0;
    return Math.max(robHelper(nums, i - 1), nums[i] + robHelper(nums, i - 2));
}

解法2:动态规划(O(n) 时间 & O(n) 空间)

public int rob(int[] nums) {
    if (nums.length == 0) return 0;
    int[] dp = new int[nums.length + 1];
    dp[0] = 0;
    dp[1] = nums[0];
    for (int i = 2; i <= nums.length; i++) {
        dp[i] = Math.max(dp[i - 1], nums[i - 1] + dp[i - 2]);
    }
    return dp[nums.length];
}

解法3:空间优化(O(n) 时间 & O(1) 空间)

public int rob(int[] nums) {
    if (nums.length == 0) return 0;
    int prev1 = 0, prev2 = 0;
    for (int num : nums) {
        int temp = Math.max(prev1, num + prev2);
        prev2 = prev1;
        prev1 = temp;
    }
    return prev1;
}

问题3:最长公共子序列(Longest Common Subsequence, LCS)

问题描述

给定两个字符串 text1text2,求它们的最长公共子序列的长度

示例

Input: text1 = "abcde", text2 = "ace"  
Output: 3  
Explanation: 最长公共子序列是 "ace"

解法1:递归(指数时间复杂度 O(2ⁿ))

public int longestCommonSubsequence(String text1, String text2) {
    return lcsHelper(text1, text2, text1.length(), text2.length());
}

private int lcsHelper(String text1, String text2, int m, int n) {
    if (m == 0 || n == 0) return 0;
    if (text1.charAt(m - 1) == text2.charAt(n - 1))
        return 1 + lcsHelper(text1, text2, m - 1, n - 1);
    else
        return Math.max(lcsHelper(text1, text2, m - 1, n), lcsHelper(text1, text2, m, n - 1));
}

解法2:动态规划(O(m * n))

public int longestCommonSubsequence(String text1, String text2) {
    int m = text1.length(), n = text2.length();
    int[][] dp = new int[m + 1][n + 1];
    
    for (int i = 1; i <= m; i++) {
        for (int j = 1; j <= n; j++) {
            if (text1.charAt(i - 1) == text2.charAt(j - 1))
                dp[i][j] = dp[i - 1][j - 1] + 1;
            else
                dp[i][j] = Math.max(dp[i - 1][j], dp[i][j - 1]);
        }
    }
    return dp[m][n];
}

🔥 掌握递归与动态规划,助力大厂面试冲刺! 🚀