【算法】小汉堡再探动态规划，01背包智取等和子集

吃汉堡吃到饱

已于 2023-12-04 19:07:43 修改

阅读量1k

点赞数 31

文章标签：算法动态规划 c语言笔记

于 2023-12-04 15:10:40 首次发布

本文链接：https://blog.csdn.net/2301_79344902/article/details/134784555

版权

【算法】小汉堡再探动态规划，01背包智取等和子集

参考：代码随想录 (programmercarl.com)

原题链接：416. 分割等和子集 - 力扣（LeetCode）

Part 1.介绍01背包问题

背包问题：

先略后详，一句话概括背包问题，就是如何让背包内物品价值达到最大。

有n种物品，每个物品有自己的重量w，有自己的价值v，有一个承重能力为质量m的背包，每种物品有一个或多个，求解这个背包最多可以装载价值为多少的物品。

不同于别的算法思想，01背包这个名字似乎很难“望名生意”，像二分、前缀和等算法，都可以在接触之前通过猜测名称的由来，从而大致了解算法的用途。本篇博客就由01背包名称由来说起。

由刚刚的简介可以得知，背包问题有几个关键要素：背包容量、物品价值、物品重量、物品数量。其中关于物品数量的描述显然具有歧义。实际上根据物品数量的不同，背包问题也被分解为了几个子问题，如图所示：

请添加图片描述

今天我们介绍其中最基础的01背包，上图同时也解释了01背包名称的由来：在01背包问题中，每种物品数量只有一个，故而一个物品也仅有两种状态（被选中或不被选中）。

Part 2.如何用DP解决01背包

在开始最关键的解题过程之前，首先需要理解背包问题为什么可以用动态规划解决，让我们回顾一下在什么情况下，可以优先使用动态规划：

动态规划，英文：Dynamic Programming，简称DP，如果某一问题有很多重叠子问题，使用动态规划是最有效的。

动态规划中每一个状态一定是由上一个状态推导出来的。

在01背包问题中，我们将问题拆解成两个维度，一个是物品，一个是背包容量，通过一步步增加物品或是背包容积，从而推导出问题的解。

略举一例：已知如下物品及其重量和价值，背包可承重质量为5的物品，求解背包最大可以装下多少价值的物品。

请添加图片描述

背包问题既属于动态规划，便离不开动规五部曲（终于可以套公式力）：

确定dp数组（dp table）以及下标的含义

如图，建立一个二维的dp数组，dp数组的值表示从下标为[0-i]的物品里任意取，放进容量为j的背包，价值总和最大是多少。

请添加图片描述

确定递推公式

直接确定递推公式似乎有些困难，不妨先顺着刚刚的思路推导几步，像拼图一样先将边角等关键位置拼接好。（其实就是先初始化再试着推导一下）

当重量为0时，任何物品都无法放入，故而本列的数值都是0，而容纳量大于等于1时的情况下，都可以放入物品1，故而第一行剩下的部分都可以填入10，即物品1的价值。

请添加图片描述
重点从第二行开始，第二行的首个元素刚刚已经写过，而从第二个元素起，我们需要考虑几种情况：

请添加图片描述

简单来说，递推公式将从两种状态里抉择，一是保持原状，二是容纳新物品。则可以得出递推公式为：

dp[i][j] = fmax(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]);

从刚刚的推导过程以及递推公式都可以看出，某一位置上的dp数组元素，可由其上方或左上方元素推出。

若从正上方推出，则证明该元素无变动，并未加入新的物品，而从左上方推出，则证明背包中加入了新的物品。

由此可以发现背包问题的一个特征，即本行元素都由前一行推导出，这里可以引出新的概念：滚动数组。但请先允许笔者买个关子，放在之后详解。

dp数组如何初始化

针对于本问题的初始化在刚刚的推导过程中已经完成了，此处再着重说明一下，由于遍历时元素的值由其左上方元素确定，故而需要初始化第一行以及第一列的元素。

至于其他部分的元素，初始化任意值即可，这里默认初始化为0。

确定遍历顺序

无论是先遍历背包重量亦或是先遍历物品都可以。

这里放上先遍历物品再遍历背包的代码（先遍历背包只要两个for的顺序即可）：

// weight数组的大小 就是物品个数
for(int i = 1; i < weight.size(); i++) { // 遍历物品
    for(int j = 0; j <= bagweight; j++) { // 遍历背包容量
        if (j < weight[i]) dp[i][j] = dp[i - 1][j];
        else dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]);
    }
}

最后得出结果：

请添加图片描述

本场嘉宾：滚动数组

由刚刚推导的过程可以得知，当前层是由上一层推导而来的，既然如此，即可直接将上一层拷贝至当前层，从当前层开始计算。即可将二维的dp数组压缩成一维的dp数组，大大减少了空间复杂度。

但这也意味着在遍历时需要设置更为严苛的条件。

首先需要对递推公式作一定修改：

dp[j] = fmax(dp[j], dp[j - weight[i]] + value[i]);

在初始化时，也需要注意：

若背包容量为0，能装的物品自然也是0，所以dp[0] = 0，这点毋庸置疑。但除0以外的下标该如何取值？可以选择参考递推公式，当物品的重量都大于零时，第一次遍历即可让每一位都选取到最大值，故而其余元素都初始化为0即可。

可以得到求解一维dp01背包问题的解：

for(int i = 0; i < weight.size(); i++) { // 遍历物品
    for(int j = bagWeight; j >= weight[i]; j--) { // 遍历背包容量
        dp[j] = fmax(dp[j], dp[j - weight[i]] + value[i]);
    }
}

需要注意的是，此处的内层循环是从后向前的倒序遍历，且仅能这样遍历，之所以需要从后向前更新状态，是因为我们需要使用到之前的状态。如果从前向后更新，原先的状态会被新状态覆盖掉，导致在后面需要使用时无法找到，从而出现计算错误。

Part 3.来一道紧张刺激的算法题

请添加图片描述

按照一般步骤这里应该要开始直接解题了，但我想先讲讲我是如何判断这道题归属于01背包问题的，或者说如何将这道题化解为一道01背包问题。

这道题看似与背包问题相去甚远，给出一个集合，让我们将其分割成两个等和子集，如果想去生搬硬套，会发现虽然有物品（即nums数组中的元素），但背包的大小并不明确，物品的重量与价值也不清楚。

且先顺着题意思考一下，要使其能分割为两个等和数组，则分出的两个数组的元素和都必然为数组总元素和的一半。如若想化解为背包问题，则是要同时填满两个背包，使得两个背包里面价值相等，设总的元素和等于sum，背包只要有其中一个重量能够达到sum/2，则可以判定这个数组可以分割成两个等和子集。

则可以得出，背包的总体积为总元素和的一半，物品的重量与价值均为元素的值。
到这里，这道题实际上就已经被化解为一个01背包问题了，套公式解决即可：

1.确定dp数组以及下标的含义

本题中每一个元素的数值既是重量，也是价值。

套到本题，dp[j]表示背包总容量（所能装的总重量）是j，放进物品后，背的最大重量为dp[j]。

那么如果背包容量为target， dp[target]就是装满背包之后的重量，所以当 dp[target] == target 的时候，背包就装满了。

2.确定递推公式

01背包的递推公式为：

dp[j] = fmax(dp[j], dp[j - weight[i]] + value[i]);

本题中，物品i的重量是nums[i]，其价值也是nums[i]，故而将上面式子中的重量和价值替换成数值nums[i]即可。

所以递推公式：

dp[j] = max(dp[j], dp[j - nums[i]] + nums[i]);

3.dp数组如何初始化

显然，dp[0]为0，nums数组中的值都为正整数，所以其他值都初始化为0即可。

4.确定遍历顺序

在刚刚介绍滚动数组时已经说明：如果使用一维dp数组，物品遍历的for循环放在外层，遍历背包的for循环放在内层，且内层for循环倒序遍历。

代码如下：

// 开始 01背包
for(int i = 0; i < nums.size(); i++) {
    for(int j = target; j >= nums[i]; j--) { // 每一个元素一定是不可重复放入，所以从大到小遍历
        dp[j] = fmax(dp[j], dp[j - nums[i]] + nums[i]);
    }
}

放上我的题解：

bool canPartition(int* nums, int numsSize){
    int sum = 0;
    for(int i = 0;i <= numsSize - 1;i++){
        sum += nums[i];
    }
    
    if(sum % 2 == 1){
        return false;
    }
    
    int* dp = (int*)malloc(sizeof(int) * (sum/2 + 1));
    memset(dp, 0, sizeof(int) * (sum/2 + 1));
    
    for(int i = 0; i <= numsSize - 1; i++) {//遍历每一个数字（物品）
        for(int j = sum/2; j >= nums[i]; j--) {//遍历元素和（背包重量）
            dp[j] = fmax(dp[j], dp[j - nums[i]] + nums[i]);
        }
    }
    return dp[sum/2] == sum/2;
}