deploy

chapter_dynamic_programming/dp_problem_features/index.html

@@ -3422,9 +3422,9 @@
 <h1 id="142">14.2 &nbsp; 动态规划问题特性<a class="headerlink" href="#142" title="Permanent link">&para;</a></h1>
 <p>在上节中，我们学习了动态规划是如何通过子问题分解来求解问题的。实际上，子问题分解是一种通用的算法思路，在分治、动态规划、回溯中的侧重点不同：</p>
 <ul>
-<li>「分治算法」递归地将原问题划分为多个相互独立的子问题，直至最小子问题，并在回溯中合并子问题的解，最终得到原问题的解。</li>
-<li>「动态规划」也对问题进行递归分解，但与分治算法的主要区别是，动态规划中的子问题是相互依赖的，在分解过程中会出现许多重叠子问题。</li>
-<li>「回溯算法」在尝试和回退中穷举所有可能的解，并通过剪枝避免不必要的搜索分支。原问题的解由一系列决策步骤构成，我们可以将每个决策步骤之前的子序列看作为一个子问题。</li>
+<li>分治算法递归地将原问题划分为多个相互独立的子问题，直至最小子问题，并在回溯中合并子问题的解，最终得到原问题的解。</li>
+<li>动态规划也对问题进行递归分解，但与分治算法的主要区别是，动态规划中的子问题是相互依赖的，在分解过程中会出现许多重叠子问题。</li>
+<li>回溯算法在尝试和回退中穷举所有可能的解，并通过剪枝避免不必要的搜索分支。原问题的解由一系列决策步骤构成，我们可以将每个决策步骤之前的子序列看作为一个子问题。</li>
 </ul>
 <p>实际上，动态规划常用来求解最优化问题，它们不仅包含重叠子问题，还具有另外两大特性：最优子结构、无后效性。</p>
 <h2 id="1421">14.2.1 &nbsp; 最优子结构<a class="headerlink" href="#1421" title="Permanent link">&para;</a></h2>
@@ -3441,7 +3441,7 @@
 <div class="arithmatex">\[
 dp[i] = \min(dp[i-1], dp[i-2]) + cost[i]
 \]</div>
-<p>这便可以引出「最优子结构」的含义：<strong>原问题的最优解是从子问题的最优解构建得来的</strong>。</p>
+<p>这便可以引出最优子结构的含义：<strong>原问题的最优解是从子问题的最优解构建得来的</strong>。</p>
 <p>本题显然具有最优子结构：我们从两个子问题最优解 <span class="arithmatex">\(dp[i-1]\)</span> , <span class="arithmatex">\(dp[i-2]\)</span> 中挑选出较优的那一个，并用它构建出原问题 <span class="arithmatex">\(dp[i]\)</span> 的最优解。</p>
 <p>那么，上节的爬楼梯题目有没有最优子结构呢？它的目标是求解方案数量，看似是一个计数问题，但如果换一种问法：“求解最大方案数量”。我们意外地发现，<strong>虽然题目修改前后是等价的，但最优子结构浮现出来了</strong>：第 <span class="arithmatex">\(n\)</span> 阶最大方案数量等于第 <span class="arithmatex">\(n-1\)</span> 阶和第 <span class="arithmatex">\(n-2\)</span> 阶最大方案数量之和。所以说，最优子结构的解释方式比较灵活，在不同问题中会有不同的含义。</p>
 <p>根据状态转移方程，以及初始状态 <span class="arithmatex">\(dp[1] = cost[1]\)</span> , <span class="arithmatex">\(dp[2] = cost[2]\)</span> ，可以得出动态规划代码。</p>
@@ -3794,7 +3794,7 @@ dp[i] = \min(dp[i-1], dp[i-2]) + cost[i]
 </div>
 </div>
 <h2 id="1422">14.2.2 &nbsp; 无后效性<a class="headerlink" href="#1422" title="Permanent link">&para;</a></h2>
-<p>「无后效性」是动态规划能够有效解决问题的重要特性之一，定义为：<strong>给定一个确定的状态，它的未来发展只与当前状态有关，而与当前状态过去所经历过的所有状态无关</strong>。</p>
+<p>无后效性是动态规划能够有效解决问题的重要特性之一，定义为：<strong>给定一个确定的状态，它的未来发展只与当前状态有关，而与当前状态过去所经历过的所有状态无关</strong>。</p>
 <p>以爬楼梯问题为例，给定状态 <span class="arithmatex">\(i\)</span> ，它会发展出状态 <span class="arithmatex">\(i+1\)</span> 和状态 <span class="arithmatex">\(i+2\)</span> ，分别对应跳 <span class="arithmatex">\(1\)</span> 步和跳 <span class="arithmatex">\(2\)</span> 步。在做出这两种选择时，我们无须考虑状态 <span class="arithmatex">\(i\)</span> 之前的状态，它们对状态 <span class="arithmatex">\(i\)</span> 的未来没有影响。</p>
 <p>然而，如果我们向爬楼梯问题添加一个约束，情况就不一样了。</p>
 <div class="admonition question">

chapter_dynamic_programming/dp_solution_pipeline/index.html

@@ -3510,7 +3510,7 @@
 <p>如果一个问题满足决策树模型，并具有较为明显的“加分项“，我们就可以假设它是一个动态规划问题，并在求解过程中验证它。</p>
 <h2 id="1432">14.3.2 &nbsp; 问题求解步骤<a class="headerlink" href="#1432" title="Permanent link">&para;</a></h2>
 <p>动态规划的解题流程会因问题的性质和难度而有所不同，但通常遵循以下步骤：描述决策，定义状态，建立 <span class="arithmatex">\(dp\)</span> 表，推导状态转移方程，确定边界条件等。</p>
-<p>为了更形象地展示解题步骤，我们使用一个经典问题「最小路径和」来举例。</p>
+<p>为了更形象地展示解题步骤，我们使用一个经典问题“最小路径和”来举例。</p>
 <div class="admonition question">
 <p class="admonition-title">Question</p>
 <p>给定一个 <span class="arithmatex">\(n \times m\)</span> 的二维网格 <code>grid</code> ，网格中的每个单元格包含一个非负整数，表示该单元格的代价。机器人以左上角单元格为起始点，每次只能向下或者向右移动一步，直至到达右下角单元格。请返回从左上角到右下角的最小路径和。</p>

chapter_dynamic_programming/intro_to_dynamic_programming/index.html

@@ -3448,7 +3448,7 @@
 
 
 <h1 id="141">14.1 &nbsp; 初探动态规划<a class="headerlink" href="#141" title="Permanent link">&para;</a></h1>
-<p>「动态规划 Dynamic Programming」是一个重要的算法范式，它将一个问题分解为一系列更小的子问题，并通过存储子问题的解来避免重复计算，从而大幅提升时间效率。</p>
+<p>「动态规划 dynamic programming」是一个重要的算法范式，它将一个问题分解为一系列更小的子问题，并通过存储子问题的解来避免重复计算，从而大幅提升时间效率。</p>
 <p>在本节中，我们从一个经典例题入手，先给出它的暴力回溯解法，观察其中包含的重叠子问题，再逐步导出更高效的动态规划解法。</p>
 <div class="admonition question">
 <p class="admonition-title">爬楼梯</p>
@@ -3997,7 +3997,7 @@ dp[i] = dp[i-1] + dp[i-2]
 <p><img alt="爬楼梯对应递归树" src="../intro_to_dynamic_programming.assets/climbing_stairs_dfs_tree.png" /></p>
 <p align="center"> 图：爬楼梯对应递归树 </p>
 
-<p>观察上图发现，<strong>指数阶的时间复杂度是由于「重叠子问题」导致的</strong>。例如：<span class="arithmatex">\(dp[9]\)</span> 被分解为 <span class="arithmatex">\(dp[8]\)</span> 和 <span class="arithmatex">\(dp[7]\)</span> ，<span class="arithmatex">\(dp[8]\)</span> 被分解为 <span class="arithmatex">\(dp[7]\)</span> 和 <span class="arithmatex">\(dp[6]\)</span> ，两者都包含子问题 <span class="arithmatex">\(dp[7]\)</span> 。</p>
+<p>观察上图发现，<strong>指数阶的时间复杂度是由于“重叠子问题”导致的</strong>。例如：<span class="arithmatex">\(dp[9]\)</span> 被分解为 <span class="arithmatex">\(dp[8]\)</span> 和 <span class="arithmatex">\(dp[7]\)</span> ，<span class="arithmatex">\(dp[8]\)</span> 被分解为 <span class="arithmatex">\(dp[7]\)</span> 和 <span class="arithmatex">\(dp[6]\)</span> ，两者都包含子问题 <span class="arithmatex">\(dp[7]\)</span> 。</p>
 <p>以此类推，子问题中包含更小的重叠子问题，子子孙孙无穷尽也。绝大部分计算资源都浪费在这些重叠的问题上。</p>
 <h2 id="1412">14.1.2 &nbsp; 方法二：记忆化搜索<a class="headerlink" href="#1412" title="Permanent link">&para;</a></h2>
 <p>为了提升算法效率，<strong>我们希望所有的重叠子问题都只被计算一次</strong>。为此，我们声明一个数组 <code>mem</code> 来记录每个子问题的解，并在搜索过程中这样做：</p>