1. 动态规划解题方法论精要
动态规划（Dynamic Programming）作为算法设计的核心思想之一，在解决最优化问题和计数问题时展现出独特优势。其本质是通过将原问题分解为相互重叠的子问题，并存储子问题的解来避免重复计算。对于路径类问题，动态规划往往能提供时间复杂度O(mn)、空间复杂度可优化至O(n)的高效解法。
1.1 动态规划四部曲
解决任何动态规划问题都应遵循以下标准化流程：
-
DP数组定义：明确每个状态代表的具体含义。在路径问题中，通常定义为
dp[i][j]表示到达坐标(i,j)的路径数或最小代价。 -
状态转移方程：建立子问题之间的关系。对于只能向右/向下移动的路径问题，基本形式为：
python复制dp[i][j] = dp[i-1][j] + dp[i][j-1] # 无障碍版本 -
边界条件初始化：处理网格边缘的特殊情况。首行和首列通常只有一种走法（除非遇到障碍）。
-
遍历顺序确定：根据状态依赖关系选择行优先或列优先遍历。路径问题通常采用双重循环顺序遍历。
1.2 空间优化技巧
通过观察状态转移规律，我们可以发现：
- 二维DP数组中每个状态仅依赖其上方和左侧的状态
- 可采用滚动数组技术将空间复杂度从O(mn)降至O(n)
- 优化后的状态转移方程：
python复制dp[j] = dp[j] + dp[j-1] # 使用一维数组
关键提示：空间优化时需注意遍历顺序。列遍历应从左到右，避免覆盖未使用的状态值。
2. 力扣62题：不同路径标准解法
2.1 问题描述
一个机器人位于m×n网格的左上角，每次只能向下或向右移动一步。问到达右下角有多少条不同的路径？
2.2 基础二维DP实现
python复制def uniquePaths(m: int, n: int) -> int:
dp = [[1]*n for _ in range(m)]
for i in range(1, m):
for j in range(1, n):
dp[i][j] = dp[i-1][j] + dp[i][j-1]
return dp[-1][-1]
时间复杂度：O(mn)
空间复杂度：O(mn)
2.3 空间优化版本
python复制def uniquePaths(m: int, n: int) -> int:
dp = [1] * n
for _ in range(1, m):
for j in range(1, n):
dp[j] += dp[j-1]
return dp[-1]
优化原理：
- 每行的计算只依赖上一行和当前行已计算部分
- 使用一维数组滚动更新，覆盖旧值前已完成所有依赖计算
3. 力扣63题：带障碍物的不同路径
3.1 问题变化与挑战
网格中某些格子设有障碍物（用1表示），机器人无法通过。这带来两个关键差异：
- 初始化时首行/列遇到障碍物后所有后续格子均不可达
- 状态转移时需判断当前格子是否为障碍物
3.2 完整解决方案
python复制def uniquePathsWithObstacles(obstacleGrid: List[List[int]]) -> int:
m, n = len(obstacleGrid), len(obstacleGrid[0])
dp = [0] * n
dp[0] = 1 if obstacleGrid[0][0] == 0 else 0
for i in range(m):
for j in range(n):
if obstacleGrid[i][j] == 1:
dp[j] = 0
elif j > 0:
dp[j] += dp[j-1]
return dp[-1]
关键处理逻辑：
- 初始化时若起点就是障碍物直接返回0
- 遍历过程中遇到障碍物立即将dp[j]置0
- 首列的特殊处理通过j>0条件避免数组越界
3.3 边界情况测试用例
python复制测试用例1：[[0]] → 1 (最小网格)
测试用例2：[[1]] → 0 (起点障碍)
测试用例3：[[0,0],[1,0]] → 1 (中间障碍)
测试用例4：[[0,1],[0,0]] → 1 (首行障碍)
4. 力扣64题：最小路径和
4.1 问题变形分析
在二维网格中寻找从左上到右下的路径，使得路径上的数字总和最小。此时：
- DP数组含义变为到达(i,j)的最小代价
- 状态转移方程调整为取最小值：
python复制dp[i][j] = min(dp[i-1][j], dp[i][j-1]) + grid[i][j]
4.2 优化实现代码
python复制def minPathSum(grid: List[List[int]]) -> int:
m, n = len(grid), len(grid[0])
dp = [float('inf')] * n
dp[0] = 0
for i in range(m):
dp[0] += grid[i][0]
for j in range(1, n):
dp[j] = min(dp[j], dp[j-1]) + grid[i][j]
return dp[-1]
实现细节：
- 初始化dp数组为无穷大，表示初始不可达状态
- 每行开始前先处理首列的特殊情况
- 使用min函数选择上方或左侧的最小路径
5. 动态规划问题调试技巧
5.1 常见错误排查
-
数组越界：检查首行/列的特殊处理
- 解决方案：添加边界条件判断
-
状态转移错误：打印DP表验证中间结果
python复制print(f"After row {i}: {dp}") -
障碍物处理遗漏：确保遇到障碍物时正确清零
5.2 可视化调试方法
对于3×3网格可以手绘DP表：
| (0,0) | (0,1) | (0,2) |
|---|---|---|
| (1,0) | (1,1) | (1,2) |
| (2,0) | (2,1) | (2,2) |
逐步填写每个格子的计算过程和结果值。
6. 算法优化进阶思路
6.1 记忆化搜索与DP对比
-
记忆化搜索：
- 自顶向下的递归解法
- 适合不规则网格或移动规则复杂的情况
- 需要处理递归栈溢出风险
-
动态规划：
- 自底向上的迭代解法
- 适合规则网格和固定移动模式
- 更容易进行空间优化
6.2 其他变种问题
- 三维路径问题：增加z轴移动维度，DP数组扩展为三维
- 移动步数变化：允许一次移动多格，状态转移更复杂
- 概率型路径：每个格子有通过概率，求最大成功概率路径
7. 工程实践中的注意事项
-
大网格处理：
- 当m,n>100时需注意内存限制
- 优先使用空间优化版本
- 考虑分块计算或并行处理
-
浮点数精度：
- 涉及概率计算时使用decimal模块
- 避免连续乘法导致的精度损失
-
输入验证：
python复制if not grid or not grid[0]: return 0
在实际编码面试中，建议先写出基础二维DP解法，明确思路后再逐步优化空间复杂度。同时要特别注意边界条件的测试，这是面试官重点考察的部分。