0045. 跳跃游戏 II

• 标签：贪心、数组、动态规划
• 难度：中等

题目链接

• 0045. 跳跃游戏 II - 力扣

题目大意

描述：给定一个非负整数数组 nums，数组中每个元素代表在该位置可以跳跃的最大长度。开始位置为数组的第一个下标处。

要求：计算出到达最后一个下标处的最少的跳跃次数。假设你总能到达数组的最后一个下标处。

说明：

• $1 \le nums.length \le 10^4$。
• $0 \le nums[i] \le 1000$。

示例：

• 示例 1：

输入：nums = [2,3,1,1,4]
输出：2
解释：跳到最后一个位置的最小跳跃数是 2。从下标为 0 跳到下标为 1 的位置，跳 1 步，然后跳 3 步到达数组的最后一个位置。

解题思路

思路 1：动态规划（超时）

1. 划分阶段

按照位置进行阶段划分。

2. 定义状态

定义状态 dp[i] 表示为：跳到下标 i 所需要的最小跳跃次数。

3. 状态转移方程

对于当前位置 i，如果之前的位置 j（$o \le j < i$） 能够跳到位置 i 需要满足：位置 j（$o \le j < i$）加上位置 j 所能跳到的最远长度要大于等于 i，即 j + nums[j] >= i 。

而跳到下标 i 所需要的最小跳跃次数则等于满足上述要求的位置 j 中最小跳跃次数加 1，即 dp[i] = min(dp[i], dp[j] + 1)。

4. 初始条件

初始状态下，跳到下标 0 需要的最小跳跃次数为 0，即 dp[0] = 0。

5. 最终结果

根据我们之前定义的状态，dp[i] 表示为：跳到下标 i 所需要的最小跳跃次数。则最终结果为 dp[size - 1]。

思路 1：动态规划（超时）代码

class Solution:
    def jump(self, nums: List[int]) -> int:
        size = len(nums)
        dp = [float("inf") for _ in range(size)]
        dp[0] = 0

        for i in range(1, size):
            for j in range(i):
                if j + nums[j] >= i:
                    dp[i] = min(dp[i], dp[j] + 1)

        return dp[size - 1]

思路 1：复杂度分析

• 时间复杂度：$O(n^2)$。两重循环遍历的时间复杂度是 $O(n^2)$，所以总体时间复杂度为 $O(n^2)$。
• 空间复杂度：$O(n)$。用到了一维数组保存状态，所以总体空间复杂度为 $O(n)$。

思路 2：动态规划 + 贪心

因为本题的数据规模为 $10^4$，而思路 1 的时间复杂度是 $O(n^2)$，所以就超时了。那么我们有什么方法可以优化一下，减少一下时间复杂度吗？

上文提到，在满足 j + nums[j] >= i 的情况下，dp[i] = min(dp[i], dp[j] + 1)。

通过观察可以发现，dp[i] 是单调递增的，也就是说 dp[i - 1] <= dp[i] <= dp[i + 1]。

举个例子，比如跳到下标 i 最少需要 5 步，即 dp[i] = 5，那么必然不可能出现少于 5 步就能跳到下标 i + 1 的情况，跳到下标 i + 1 至少需要 5 步或者更多步。

既然 dp[i] 是单调递增的，那么在更新 dp[i] 时，我们找到最早可以跳到 i 的点 j，从该点更新 dp[i]。即找到满足 j + nums[j] >= i 的第一个 j，使得 dp[i] = dp[j] + 1。

而查找第一个 j 的过程可以通过使用一个指针变量 j 从前向后迭代查找。

最后，将最终结果 dp[size - 1] 返回即可。

思路 2：动态规划 + 贪心代码

class Solution:
    def jump(self, nums: List[int]) -> int:
        size = len(nums)
        dp = [float("inf") for _ in range(size)]
        dp[0] = 0

        j = 0
        for i in range(1, size):
            while j + nums[j] < i:
                j += 1
            dp[i] = dp[j] + 1

        return dp[size - 1]

思路 2：复杂度分析

• 时间复杂度：$O(n)$。最外层循环遍历的时间复杂度是 $O(n)$，看似和内层循环结合遍历的时间复杂度是 $O(n^2)$，实际上内层循环只遍历了一遍，与外层循环遍历次数是相加关系，两者的时间复杂度和是 $O(2n)$，$O(2n) = O(n)$，所以总体时间复杂度为 $O(n)$。
• 空间复杂度：$O(n)$。用到了一维数组保存状态，所以总体空间复杂度为 $O(n)$。

思路 2：贪心算法

如果第 i 个位置所能跳到的位置为 [i + 1, i + nums[i]]，则：

• 第 0 个位置所能跳到的位置就是 [0 + 1, 0 + nums[0]]，即 [1, nums[0]]。
• 第 1 个位置所能跳到的位置就是 [1 + 1, 1 + nums[1]]，即 [2, 1 + nums[1]]。
• ……

对于每一个位置 i 来说，所能跳到的所有位置都可以作为下一个起跳点，为了尽可能使用最少的跳跃次数，所以我们应该使得下一次起跳所能达到的位置尽可能的远。简单来说，就是每次在「可跳范围」内选择可以使下一次跳的更远的位置。这样才能获得最少跳跃次数。具体做法如下：

1. 维护几个变量：当前所能达到的最远位置 end，下一步所能跳到的最远位置 max_pos，最少跳跃次数 setps。
2. 遍历数组 nums 的前 len(nums) - 1 个元素：
3. 每次更新第 i 位置下一步所能跳到的最远位置 max_pos。
4. 如果索引 i 到达了 end 边界，则：更新 end 为新的当前位置 max_pos，并令步数 setps 加 1。
5. 最终返回跳跃次数 steps。

思路 2：贪心算法代码

class Solution:
    def jump(self, nums: List[int]) -> int:
        end, max_pos = 0, 0
        steps = 0
        for i in range(len(nums) - 1):
            max_pos = max(max_pos, nums[i] + i)
            if i == end:
                end = max_pos
                steps += 1
        return steps

思路 2：复杂度分析

• 时间复杂度：$O(n)$。一重循环遍历的时间复杂度是 $O(n)$，所以总体时间复杂度为 $O(n)$。
• 空间复杂度：$O(1)$。只用到了常数项的变量，所以总体空间复杂度为 $O(1)$。

参考资料

• 【题解】【宫水三叶の相信科学系列】详解「DP + 贪心 + 双指针」解法，以及该如何猜 DP 的状态定义 - 跳跃游戏 II - 力扣
• 【题解】动态规划+贪心，易懂。 - 跳跃游戏 II - 力扣