다이나믹 프로그래밍 문제
: 85. Fibonacci Number, 86. Maximum Subarray, 87. Climbing Stairs, 88. House Robber
어떤 문제는 메모리 공간을 약간 더 사용하면 연산 속도를 비약적으로 증가시킬 수 있는 방법이 있다.
대표적으로 피보나치 수열을 예시로 들 수 있다.
피보나치 수열은 이전 두 항의 합을 현재의 항으로 설정하는 특징이 있는 수열이다.
수학자들은 점화식을 사용해 수열의 항이 이어지는 형태를 간결하게 표현한다.
피보나치 수열의 점화식은 다음과 같다.
프로그래밍에서는 이러한 수열을 배열이나 리스트로 표현할 수 있다.
수학적 점화식을 프로그래밍으로 표현하려면 재귀 함수를 이용하면 간단하다.
def fibo(x):
if x == 1 or x == 2:
return 1
return fibo(x - 1) + fibo(x - 2)
print(fibo(4))
그런데 피보나치 수열의 소스코드를 이렇게 작성하면 심각한 문제가 생길 수 있다.
f(n)
함수에서 n
이 커지면 커질수록 수행 시간이 기하급수적으로 늘어나기 때문이다.
이러한 문제를 다이나믹 프로그래밍을 사용하면 효율적으로 해결할 수 있다.
사용 조건
1. 큰 문제를 작은 문제로 나눌 수 있다.
2. 작은 문제에서 구한 정답은 그것을 포함하는 큰 문제에서도 동일하다.
재귀 함수를 이용하여 다이나믹 프로그래밍 소스코드를 작성하는 방법을, 큰 문제를 해결하기 위해 작은 문제를 호출한다고 탑다운(Top-Down) 방식이라고 말한다.
단순히 반복문을 이용하여 소스코드를 작성하는 경우 작은 문제부터 차근차근 답을 도출한다고 하여 보텀업(Bottom-Up) 방식이라고 한다.
구현 방법
한 번 구한 정보를 리스트에 저장
다이나믹 프로그래밍을 재귀적으로 수행하다가 같은 정보가 필요할 때는 이미 구한 정답을 그대로 리스트에서 가져오면 된다.
d = [0] * 100
def fibo(x):
if x == 1 or x == 2:
return 1
#이미 계산한 적이 있는 문제라면 그대로 반환
if d[x] != 0:
return d[x]
d[x] = fibo(x - 1) + fibo(x - 2)
return d[x]
print(fibo(99))
정리하면, 다이나믹 프로그래밍이란 큰 문제를 작게 나누고, 같은 문제라면 한 번씩만 풀어 문제를 효율적으로 해결하는 알고리즘 기법이다.
메모이제이션은 탑다운 방식에 국한되는 표현이다.
엄밀히 말하면 메모이제이션은 이전에 계산된 결과를 일시적으로 기록해 놓는 넓은 개념을 의미하므로, 다이나믹 프로그래밍과는 별도의 개념이다.
메모이제이션은 때에 따라서 다른 자료형, 예를 들어 dict 자료형을 이용할 수도 있다.
d = [0] * 100
d[1] = 1
d[2] = 1
n = 99
for i in range(3, n + 1):
d[i] = d[i - 1] + d[i - 2]
print(d[n])
다이나믹 프로그래밍의 전형적인 형태는 보텀업 방식이다.
보텀업 방식에서 사용되는 결과 저장용 리스트는 'DP 테이블'이라고 부른다.
🟡🟢🟡
특정한 문제를 완전 탐색 알고리즘으로 접근했으르 때 시간이 매우 오래 걸리면 다이나믹 프로그램밍을 적용할 수 있는지 해결하고자 하는 부분 문제들의 중복 여부를 확인해보자.
일단 단순히 재귀 함수로 비효율적인 프로그램을 작성한 뒤에(탑 다운) 작은 문제에서 구한 답이 큰 문제에서 그대로 사용될 수 있다면, 즉 메모이제이션을 적용할 수 있으면 코드를 개성하는 방법도 좋은 아이디어다.
가능하다면 보텀업 방식으로 구현하는 것을 권장한다.
시스템상 재귀 함수의 스택 크기가 한정되어 있을 수 있기 때문이다.
sys 라이브러리 setrecursionlimit()
함수를 호출하여 재귀 제한을 완화할 수 있다.