[백준 2193번]이친수

풀이

---

규칙을 알기위해서 수작업으로 어떤 경우의 수가 있는지 탐색합니다.

n=1 1

n=2 10

n=3 100 101

n=4 1000 1001 1010

n=5 10000 10001 10010 10100 10101

n=6 100000 100001 100010 100100 101000 100101 101010 101001

  :

  :

규칙을 보면 1 1 2 3 5 8 '''   과 같은 익숙한 숫자가 나옵니다.

위 숫자는 피보나치 수로 재귀나 DP로 간단하게 구현할 수 있습니다.

피보나치 수를 재귀로 구현하면 미리 계산한 부분을 또 계산하기 때문에 비효율적이고 시간초과가 날 수 있습니다.

이런 경우 메모이제이션을 통해 구할 수 있습니다.

주의할 점은 피보나치의 수를 구현할 때 n이 47을 넘게 되면 int형의 범위를 넘어가게 됩니다.

재귀 (메모이제이션)

---

#include <iostream>
using namespace std;
 
long long result[91];
 
long long fibo(int a) {
    if (a == 1 || a == 2) {
        return 1;
    }
    if (result[a] != NULL) {
        return result[a];
    }
    return result[a] = fibo(a - 1) + fibo(a - 2);
}
 
int main() {
    int n;
    cin >> n;
    cout << fibo(n) << '\n';
 
    return 0;
}

DP

---

#include <iostream>
using namespace std;
 
int main() {
    int n;
    long long dp[91];
    cin >> n;
    dp[1] = 1;
    dp[2] = 1;
    if (n == 1 || n==2) {
        cout << 1 << '\n';
        return 0;
    }
    for (int i = 3; i <= n; i++) {
        dp[i] = dp[i - 1] + dp[i - 2];
    }
    cout << dp[n] << '\n';
    return 0;
}

DP란

---

설명[편집]

동적 계획법의 원리는 매우 간단하다. 일반적으로 주어진 문제를 풀기 위해서, 문제를 여러 개의 하위 문제(subproblem)로 나누어 푼 다음, 그것을 결합하여 최종적인 목적에 도달하는 것이다. 각 하위 문제의 해결을 계산한 뒤, 그 해결책을 저장하여 후에 같은 하위 문제가 나왔을 경우 그것을 간단하게 해결할 수 있다. 이러한 방법으로 동적 계획법은 계산 횟수를 줄일 수 있다. 특히 이 방법은 하위 문제의 수가 기하급수적으로 증가할 때 유용하다.

동적 계획 알고리즘은 최단 경로 문제, 행렬의 제곱 문제 등의 최적화에 사용된다. 이것은 동적 계획법은 문제를 해결하기 위한 모든 방법을 검토하고, 그 중에 최적의 풀이법을 찾아내기 때문이다. 이에 우리는 동적 계획법을 모든 방법을 일일이 검토하여 그 중 최적해를 찾아내는 주먹구구식 방법이라고 생각할 수 있다. 그러나 문제가 가능한 모든 방법을 충분히 빠른 속도로 처리할 수 있는 경우, 동적 계획법은 최적의 해법이라고 말할 수 있다.

때로는 단순한 재귀함수에 저장 수열(이전의 데이터를 모두 입력하는 수열)을 대입하는 것 만으로도 최적해를 구할 수 있는 동적 알고리즘을 찾을 수 있다. 그러나 대다수의 문제는 이보다 훨씬 더 복잡한 프로그래밍을 요구한다. 그 중에 일부는 여러 개의 매개 변수를 이용하여 재귀 함수를 작성해야 하는 것도 있고, 아예 이러한 방법으로 동적 알고리즘을 짤 수 없는 문제 또한 존재한다. 이러한 퍼즐로는 대표적으로 Egg Dropping Puzzle이 있다.

그리디 알고리즘과의 비교[편집]

동적 계획법은 위에서 설명했듯이, 주먹구구식의 방법이라는 단점이 있다. 이러한 단점을 극복하기 위하여, 동적 계획법 대신 그리디 알고리즘 이 등장했다. 그리디 알고리즘은 항상 최적해를 구해주지는 않지만, 다행히 MST(최소 비용 나무 문제) 등의 여러 문제에서 그리디 알고리즘이 최적해를 구할 수 있음이 이미 입증되었다.

그리디 알고리즘과 동적 계획법을 비교하자. 우리가 차량 정체 구간에서 A라는 지점에서 B라는 지점까지 가능한 빨리 이동하는 경로를 찾고 싶다고 하자. 이 문제에서 동적 계획법을 사용한다면, 우리가 갈 수 있는 모든 상황과 교통 정체를 전부 감안하여 최적의 경로를 찾아낸다. 반면 그리디 알고리즘은 전체적인 상황을 고려하지 않고, 순간순간 교차로가 보일 때마다 가장 빠른 경로를 검색하여 찾아줄 것이다.

물론 동적 계획법으로 경로를 검색하는 동안 우리가 운전을 잠깐 쉬어야 하듯이, 우리는 동적 계획법을 사용하면 약간의 시간이 걸린다는 단점이 있다. 그러나 이렇게 얻어낸 경로는 (교통 환경이 변하지 않았다는 가정 하에) 우리가 갈 수 있는 가장 빠른 길이 된다고 장담할 수 있다. 반면 그리디 알고리즘은 즉효성이 있는 대신, 항상 최적의 경로를 찾아주지는 않는다. 각 구간마다 최적의 경로를 찾는다고 해도 그것이 전체적으로 최적의 경로가 되지는 않기 때문이다. 즉, 동적 계획법은 그리디 알고리즘에 비해 시간적으로는 효율적이지 못할 수는 있어도, 그 결과에 대해서는 효율적인 값을 구할 수가 있다.

[출처 : https://ko.wikipedia.org/wiki/%EB%8F%99%EC%A0%81_%EA%B3%84%ED%9A%8D%EB%B2%95]