前言

在算法的学习中，动态规划是一个至关重要的思想，特别是在解决最优路径问题时，动态规划能够提供一种高效且直观的解决方案。最小下降路径和问题就是这样一个经典的动态规划问题。它要求我们在一个二维矩阵中，从第一行的任意一个元素开始，每次只能向下、左下、右下移动，找到通往最后一行的最小路径和。这类问题不仅在理论上具有挑战性，同时也在实际生活中的路径规划、图像处理等领域有广泛应用。

本文将通过深入剖析最小下降路径和问题，帮助你掌握该类问题的动态规划思路。我们将从问题的定义和递推公式出发，逐步推导解决方法，并提供优化空间复杂度的技巧。同时，本文提供了详细的 Python 和 C++ 代码实现，并对代码进行了逐行解释。无论你是初学者还是有经验的开发者，都可以从本文中获得有益的启发，并加深对动态规划的理解。

希望本文能为你提供清晰的思路，帮助你在解决类似问题时更加得心应手。

题目描述

基本思路

1. 问题定义

给定一个 $n$ * $n$ 的方形矩阵 matrix，每个位置都包含一个整数。你可以从矩阵的第一行任何一个元素开始，并逐步向下移动到达最后一行。每次移动时，你只能移动到下一行的同一列、左上方一列或右上方一列的位置。要求你找到从第一行移动到最后一行的最小路径和。

2. 理解问题和递推关系

• 问题的核心是寻找一条从第一行到最后一行的最小路径和，每次移动只能向下、左下或右下移动。
• 对于任意位置 $(i,j)$ 的最小路径和 $dp[i][j]$ ，它可以通过前一行的三个可能位置中的最小值来更新：

$$dp[i][j]=\mathrm{matrix}[i][j]+\min (dp[i-1][j],dp[i-1][j-1],dp[i-1][j+1])$$

• 边界处理：如果位置$(i-1,j-1)$ 或 ( $i-1,j+1)$ 越界, 忽略该位置。

3. 解决方法

3.1 动态规划方法

1. 创建一个二维数组 $dp$ ，其中 $dp[i][j]$ 表示从第一行到达位置 $(i,j)$ 的最小路径和。
2. 初始化 $dp$ 的第一行，直接等于 matrix 的第一行。
3. 从第二行开始，依次计算每个位置的最小路径和，利用前一行的 dp 值填充当前行的 dp 。
4. 最终结果为 $dp[n-1]$ 中的最小值, 即从第一行到达最后一行的最小路径和。

3.2 空间优化的动态规划

• 可以使用一维数组代替二维数组 $dp$ 来节省空间。只需要记录当前行和上一行的最小路径和。

4. 进一步优化

4.1 空间复杂度优化

• 可以仅使用一维数组保存前一行的最小路径和，逐行更新，降低空间复杂度为 $O(n)$ 。

5. 小总结

• 动态规划是解决此类问题的核心。我们可以通过递推公式求解每一行的最小路径和，逐步构建出全局的最优解。
• 优化后的空间复杂度可以从 $O\left(n^{\wedge }2\right)$ 降低到 $O(n)$ ，这对于大规模矩阵的计算更加高效。

以上就是下降路径最小和问题的基本思路。

代码实现

Python3代码实现

python">class Solution:
    def minFallingPathSum(self, matrix: list[list[int]]) -> int:
        n = len(matrix)
        # 使用动态规划填充dp数组，第一行等于matrix的第一行
        dp = matrix[0][:]
        
        # 从第二行开始
        for i in range(1, n):
            # 创建一个临时数组存储当前行的最小路径和
            new_dp = [0] * n
            for j in range(n):
                # 当前元素可以从上方、左上方或右上方到达
                min_prev = dp[j]
                if j > 0:
                    min_prev = min(min_prev, dp[j - 1])
                if j < n - 1:
                    min_prev = min(min_prev, dp[j + 1])
                # 更新当前元素的最小路径和
                new_dp[j] = matrix[i][j] + min_prev
            dp = new_dp
        
        # 返回最后一行的最小路径和
        return min(dp)

Python 代码解释

• 初始化：创建 dp 数组，用于存储前一行的最小路径和。初始化为 matrix 第一行的值。
• 动态规划递推：从第二行开始，逐行更新 dp。每个位置 (i, j) 的最小路径和通过前一行的三个可能位置$（dp[i-1][j]、dp[i-1][j-1]、dp[i-1][j+1]）$中最小的值来更新。
• 返回结果：最终返回 dp 数组中的最小值，即最后一行的最小路径和。

C++代码实现

class Solution {
public:
    int minFallingPathSum(vector<vector<int>>& matrix) {
        int n = matrix.size();
        // 使用dp数组存储前一行的最小路径和
        vector<int> dp(matrix[0]);

        // 从第二行开始
        for (int i = 1; i < n; ++i) {
            vector<int> new_dp(n, 0);  // 当前行的dp数组
            for (int j = 0; j < n; ++j) {
                int min_prev = dp[j];
                if (j > 0) min_prev = min(min_prev, dp[j - 1]);
                if (j < n - 1) min_prev = min(min_prev, dp[j + 1]);
                new_dp[j] = matrix[i][j] + min_prev;
            }
            dp = new_dp;  // 更新dp为当前行的最小路径和
        }

        // 返回最后一行的最小路径和
        return *min_element(dp.begin(), dp.end());
    }
};

C++ 代码解释

• 初始化：创建 dp 数组，保存前一行的最小路径和，初始值为 matrix 的第一行。
• 动态规划递推：从第二行开始，逐行计算每个位置的最小路径和，通过前一行的三个可能位置的最小值更新当前行。
• 返回结果：遍历最后一行的 dp 数组，返回其中的最小值，即最小路径和。

---

总结:

• 时间复杂度：无论是 $Python$ 代码还是 $C++$ 代码，时间复杂度都是 $O\left(n^{\wedge }2\right)$ ，因为我们需要遍历矩阵的每个元素。
• 空间复杂度：通过使用一维数组来代替二维 $dp$ 数组，空间复杂度优化为 $O(n)$ ，显著减少了内存占用。
• 动态规划思想：该问题可以通过动态规划思想轻松解决，核心在于计算毎一行的最小路径和，并逐步累积到最后一行。