1. 爬楼梯问题概述
爬楼梯问题是一个经典的算法问题，题目描述很简单：假设你正在爬楼梯，需要n阶才能到达楼顶。每次你可以爬1或2个台阶。问有多少种不同的方法可以爬到楼顶？
这个问题看似简单，却蕴含着深刻的算法思想。我第一次遇到这个问题时，直觉上觉得可以用递归解决，但很快就发现单纯的递归效率太低。后来通过学习，发现这是一个典型的动态规划问题，也是理解斐波那契数列的绝佳案例。
2. 问题分析与数学建模
2.1 问题本质解析
让我们仔细分析这个问题。要到达第n阶楼梯，只有两种可能的方式：
- 从第n-1阶爬1步上来
- 从第n-2阶爬2步上来
因此，到达第n阶的方法总数就是到达第n-1阶的方法数加上到达第n-2阶的方法数。这正好符合斐波那契数列的定义：
f(n) = f(n-1) + f(n-2)
2.2 边界条件确定
任何递推关系都需要明确的边界条件。对于爬楼梯问题：
- f(1) = 1 （只有一种方法：爬1阶）
- f(2) = 2 （两种方法：1+1或直接爬2阶）
2.3 递归树分析
如果用纯递归解决，会生成一棵递归树。以n=5为例：
code复制 f(5)
/ \
f(4) f(3)
/ \ / \
f(3) f(2) f(2) f(1)
/ \
f(2)f(1)
可以看到f(3)被计算了两次，f(2)被计算了三次。随着n增大，重复计算会呈指数级增长，这就是纯递归效率低下的原因。
3. 解法一：基础动态规划
3.1 算法原理
动态规划通过存储子问题的解来避免重复计算。对于爬楼梯问题：
- 创建一个数组dp，其中dp[i]表示爬到第i阶的方法数
- 初始化dp[1]=1，dp[2]=2
- 对于i从3到n，计算dp[i] = dp[i-1] + dp[i-2]
- 最终返回dp[n]
3.2 Java实现
java复制class Solution {
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];
}
}
3.3 复杂度分析
- 时间复杂度：O(n)，需要遍历从3到n的所有整数
- 空间复杂度：O(n)，需要长度为n+1的数组存储中间结果
注意：在实际面试中，即使你知道更优解法，也应该先给出这种基础解法，然后再优化。这展示了你的思考过程。
4. 解法二：空间优化的动态规划
4.1 优化思路
观察基础动态规划解法，我们发现计算dp[i]只需要dp[i-1]和dp[i-2]，不需要保存整个数组。因此可以用三个变量来滚动更新：
- prev2：相当于dp[i-2]
- prev1：相当于dp[i-1]
- curr：当前计算的dp[i]
4.2 Java实现
java复制class Solution {
public int climbStairs(int n) {
if (n <= 2) {
return n;
}
int prev2 = 1; // f(n-2)
int prev1 = 2; // f(n-1)
int curr = 0;
for (int i = 3; i <= n; i++) {
curr = prev1 + prev2;
prev2 = prev1;
prev1 = curr;
}
return curr;
}
}
4.3 复杂度分析
- 时间复杂度：O(n)，同样需要遍历从3到n
- 空间复杂度：O(1)，只使用了常数空间
提示：这是面试中最推荐的解法，因为它既高效又节省空间。务必熟练掌握这种滚动数组的技巧。
5. 解法三：记忆化递归
5.1 算法原理
递归是最直观的解法，但会有大量重复计算。记忆化技术通过存储已计算的结果来避免重复计算：
- 创建一个memo数组存储已计算的结果
- 递归计算时，先检查memo中是否已有结果
- 如果没有，则递归计算并存储结果
5.2 Java实现
java复制class Solution {
private int[] memo;
public int climbStairs(int n) {
memo = new int[n + 1];
return climb(n);
}
private int climb(int n) {
if (n <= 2) {
return n;
}
if (memo[n] != 0) {
return memo[n];
}
memo[n] = climb(n - 1) + climb(n - 2);
return memo[n];
}
}
5.3 复杂度分析
- 时间复杂度：O(n)，每个子问题只计算一次
- 空间复杂度：O(n)，用于memo数组和递归调用栈
注意：虽然记忆化递归的时间复杂度也是O(n)，但递归调用会有额外的函数调用开销，在实际应用中通常不如迭代版本的动态规划高效。
6. 进阶思考与变种问题
6.1 数学解法：矩阵快速幂
对于特别大的n（比如n=10^9），我们可以使用矩阵快速幂将时间复杂度降到O(log n)。这种方法基于斐波那契数列的矩阵表示：
code复制[f(n) ] [1 1][f(n-1)]
[f(n-1)] = [1 0][f(n-2)]
通过矩阵的快速幂运算，可以在对数时间内计算出结果。
6.2 变种问题
-
每次可以爬1、2或3个台阶：
状态转移方程变为f(n) = f(n-1) + f(n-2) + f(n-3)
边界条件需要f(1)=1, f(2)=2, f(3)=4 -
某些台阶不能踩（障碍物）：
类似跳跃游戏问题，需要标记哪些台阶不能踩，在状态转移时跳过这些台阶 -
最小代价爬楼梯：
每个台阶有一个代价，求爬到顶部的最小总代价
6.3 实际应用场景
爬楼梯问题虽然简单，但其思想广泛应用于：
- 金融领域的期权定价
- 计算机图形学中的路径规划
- 生物信息学中的序列比对
- 网络路由算法
7. 面试技巧与常见错误
7.1 面试常见问题
- 你能解释一下状态转移方程是如何得出的吗？
- 为什么动态规划比纯递归更高效？
- 如何将空间复杂度从O(n)优化到O(1)？
- 如果每次可以爬1、2或3个台阶，如何修改你的解法？
7.2 常见错误
- 边界条件错误：忘记处理n=0或n=1的情况
- 数组越界：创建dp数组时长度应为n+1而不是n
- 整数溢出：当n较大时，结果可能超过int范围，需要使用long
- 递归深度过大：对于大n，纯递归会导致栈溢出
7.3 优化建议
- 先写基础解法，再逐步优化
- 明确说明时间和空间复杂度
- 讨论可能的边界情况和异常处理
- 准备相关的变种问题
我在实际面试中遇到过这个问题的多种变体。有一次面试官要求我不仅计算方法的数量，还要输出所有可能的路径。这需要结合回溯算法来解决，展示了问题可以如何扩展。关键是要理解基础问题的核心思想，这样才能灵活应对各种变体。