1. 问题描述与理解
机器人路径问题是一个经典的动态规划入门题目。题目描述一个机器人位于m×n网格的左上角,每次只能向右或向下移动一步,要求计算到达右下角的所有可能路径数量。
这个问题看似简单,但蕴含着动态规划的核心思想:将大问题分解为子问题,并存储子问题的解以避免重复计算。对于m×n的网格,机器人需要恰好移动(m-1)次向下和(n-1)次向右,总移动次数为(m+n-2)次。
提示:理解这个问题的关键在于认识到每个位置的路径数只与其上方和左侧位置的路径数相关。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 动态规划解法解析
2.1 基础动态规划思路
最直观的解法是使用二维数组dp[m][n],其中dp[i][j]表示到达位置(i,j)的路径数量。根据移动规则,可以得到状态转移方程:
code复制dp[i][j] = dp[i-1][j] + dp[i][j-1]
边界条件是第一行和第一列的所有位置都只有1种路径(只能一直向右或一直向下)。
java复制class Solution {
public int uniquePaths(int m, int n) {
int[][] dp = new int[m][n];
// 初始化第一列
for(int i=0; i<m; i++) dp[i][0] = 1;
// 初始化第一行
for(int j=0; j<n; j++) dp[0][j] = 1;
for(int i=1; i<m; i++){
for(int j=1; j<n; j++){
dp[i][j] = dp[i-1][j] + dp[i][j-1];
}
}
return dp[m-1][n-1];
}
}
这种方法的时间复杂度是O(mn),空间复杂度也是O(mn)。
2.2 空间优化:滚动数组
观察状态转移方程可以发现,计算dp[i][j]时只需要当前行和前一行数据。因此可以将空间复杂度优化到O(n):
java复制class Solution {
public int uniquePaths(int m, int n) {
int[] dp = new int[n];
Arrays.fill(dp, 1); // 初始化第一行
for(int i=1; i<m; i++){
for(int j=1; j<n; j++){
dp[j] += dp[j-1]; // dp[j]代表上一行的值,dp[j-1]代表当前行左侧的值
}
}
return dp[n-1];
}
}
这个优化版本在实际面试中非常实
