[Algorithm] DP - Dynamic Programming

Dynamic Programming

복잡한 문제를 더 간단한 부분 문제로 나누어 해결하는 알고리즘 기법

• 주로 최적화 문제에 사용
• 큰 문제를 해결하기 위해 부분 문제의 해를 재사용
  • 부분문제를 하위 문제라고도 표현
• Memoization 혹은 Tabulation 두 가지 방법 중 하나로 구현

적용 대상 문제

1. 최적 부분 구조(Optimal Substructure)

• 문제의 해가 부분 문제들의 최적의 해로 구성됨
• 문제를 하위 문제로 나누고 최적의 해를 결합해서 문제의 최적 해를 구할 수 있음

2. 중복되는 부분 문제(Overlapping Subproblems)

• 동일한 하위 문제를 여러 번 재계산해야 하는 경우에 사용
• 계산한 하위 문제의 해를 저장하여 중복 계산을 피고 필요할 때 다시 사용

구현 방법

메모리제이션(Memoization)

탑다운, 하향식 접근법

• 부분 문제의 해를 메모리에 저장하여 메모리에 저장된 값을 재사용

• 필요할 때마다 하위 문제를 계산하지만 중복을 피함

• 분할 정복 알고리즘과 비슷

탭뷸레이션(Tabulation)

바텀업, 상향식 접근법

• 하위 문제를 모두 해결하고, 상위 문제를 해결
• 일반적인 반복문을 사용하여 적은 문제부터 큰 문제를 해결

예시

1. 피보나치 수열

1. 재귀

   def fib(n):
    if n <= 1:
        return n
    return fib(n-1) + fib(n-2)
   

   • fib(4)를 계산하기 위해서 fib(3), fib(2)를 호출
   • 문제를 풀기위해 하위 문제를 2 번 호출하고 하위 문제가 또 하위 문제 2 번 호출
   • 중복되는 계산을 여러 번 수행
2. 메모리제이션

   def fib(n, memo={}):
    if n in memo:
        return memo[n]
    if n <= 1:
        return n
   
    memo[n] = fib(n-1, memo) + fib(n-2, memo)
    return memo[n]
   

   • 메모리에 문제의 해를 저장하여 중복 계산을 피함
   • 탑다운 방식이므로 가독성이 비교적 떨어짐
3. 탭뷸레이션

    def fib(n):
        if n <= 1:
            return n
   
        dp = [0] * (n+1)
        dp[1] = 1
   
        for i in range(2, n+1):
            dp[i] = dp[i-1] + dp[i-2]
   
        return dp[n]
   

   • 첫 항부터 계산하여 가독성이 비교적 높아짐

2. 0-1 배낭문제

• 백준 URL
  • 평범한 배낭
• 풀이법
  • 메모리제이션 해결방법