1049最后一块石头的重量
题目描述:
有一堆石头,用整数数组 stones
表示。其中 stones[i]
表示第 i
块石头的重量。
每一回合,从中选出任意两块石头,然后将它们一起粉碎。假设石头的重量分别为 x
和 y
,且 x <= y
。那么粉碎的可能结果如下:
- 如果
x == y
,那么两块石头都会被完全粉碎; - 如果
x != y
,那么重量为x
的石头将会完全粉碎,而重量为y
的石头新重量为y-x
。
最后,最多只会剩下一块 石头。返回此石头 最小的可能重量 。如果没有石头剩下,就返回 0
。
示例 1:
输入:stones = [2,7,4,1,8,1] 输出:1 解释: 组合 2 和 4,得到 2,所以数组转化为 [2,7,1,8,1], 组合 7 和 8,得到 1,所以数组转化为 [2,1,1,1], 组合 2 和 1,得到 1,所以数组转化为 [1,1,1], 组合 1 和 1,得到 0,所以数组转化为 [1],这就是最优值。
示例 2:
输入:stones = [31,26,33,21,40] 输出:5
转换成01背包问题
本题其实就是尽量让石头分成重量相同的两堆,相撞之后剩下的石头最小,这样就化解成01背包问题了。
代码:
class Solution {
public:
int lastStoneWeightII(vector<int>& stones) {
int sum = 0;
// 计算所有石头重量的总和
for(int i : stones) {
sum += i;
}
// 创建大小为总重量一半的数组,初始化为0
vector<int> dp(sum / 2 + 1, 0);
// 遍历stones数组
for(int i = 0; i < stones.size(); i++) {
// 从最大重量开始向下遍历,确保每个石头只被使用一次
for(int j = sum / 2; j >= stones[i]; j--) {
// 更新动态规划数组,选择是否放入当前石头,取较大值
dp[j] = max(dp[j], dp[j - stones[i]] + stones[i]);
}
}
// 返回最小剩余石头重量(总重量-两倍的最优子集重量)
return sum - 2 * dp[sum / 2];
}
};
-
确定 dp 数组以及下标以及对应值的含义
dp[j]
表示在总重量不超过j
的情况下可以达到的最大重量。- 这是一个典型的背包问题(0-1背包)。我们试图找到一个子集,使得其重量尽可能接近总重量的一半。
-
确定递推公式
- 对于每个石头
stones[i]
,在遍历到它时,我们需要判断将其加入新的背包是否能获得更优解:
- 对于每个石头
dp[j]=max(dp[j],dp[j−stones[i]]+stones[i])
- 这是因为我们希望在不超过容量
j
的情况下,获得最大可能的重量。
-
3,dp数组如何初始化
- 初始化为
0
的原因是,当容量为0
时,能拿到的最大重量当然是0
。 - 整个
dp
数组初始化为0
,因为在任何情况下,如未加入任何石头,所能达到的最大重量为0
。
- 初始化为
-
4,确定遍历顺序
- 外层循环遍历石头数组
stones
,这是为了考虑每块石头只被使用一次。 - 内层循环从
sum/2
到stones[i]
递减,以避免同一个石头被多次选取(类似倒序更新背包容量)。
- 外层循环遍历石头数组
-
5,举例推导 dp 数组
- 假设
stones = [2, 7, 4, 1, 8, 1]
。 - 总重量
sum = 23
,我们要在sum/2 = 11
的容量限制内找到最大重量。 - 我们逐块石头进行更新,比如:
dp[11]
...dp[2]
在第一个石头2
后更新为,dp[j] = max(dp[j], dp[j-2]+2)
- 像这样逐步更新,最终
dp
数组会包含最大不超过各个容量的重量。
- 最终在
dp[23/2]
中的值即为接近11
的最大可能值。 - 结果即为
sum - 2 * dp[sum / 2] = 23 - 2 * dp[11]
,这是剩余石头的最小重量。
- 假设
494目标和
题目描述:
给你一个非负整数数组 nums
和一个整数 target
。
向数组中的每个整数前添加 '+'
或 '-'
,然后串联起所有整数,可以构造一个 表达式 :
- 例如,
nums = [2, 1]
,可以在2
之前添加'+'
,在1
之前添加'-'
,然后串联起来得到表达式"+2-1"
。
返回可以通过上述方法构造的、运算结果等于 target
的不同 表达式 的数目。
示例 1:
输入:nums = [1,1,1,1,1], target = 3 输出:5 解释:一共有 5 种方法让最终目标和为 3 。 -1 + 1 + 1 + 1 + 1 = 3 +1 - 1 + 1 + 1 + 1 = 3 +1 + 1 - 1 + 1 + 1 = 3 +1 + 1 + 1 - 1 + 1 = 3 +1 + 1 + 1 + 1 - 1 = 3
示例 2:
输入:nums = [1], target = 1 输出:1
转换成01背包问题:
如何转化为01背包问题呢。
假设加法的总和为x,那么减法对应的总和就是sum - x。
所以我们要求的是 x - (sum - x) = target
x = (target + sum) / 2
此时问题就转化为,装满容量为x的背包,有几种方法。
这里的x,就是bagSize,也就是我们后面要求的背包容量。
大家看到(target + sum) / 2 应该担心计算的过程中向下取整有没有影响。
这么担心就对了,例如sum是5,target是2 的话其实就是无解的
- 确定递推公式
有哪些来源可以推出dp[j]呢?
只要搞到nums[i],凑成dp[j]就有dp[j - nums[i]] 种方法。
例如:dp[j],j 为5,
- 已经有一个1(nums[i]) 的话,有 dp[4]种方法 凑成 容量为5的背包。
- 已经有一个2(nums[i]) 的话,有 dp[3]种方法 凑成 容量为5的背包。
- 已经有一个3(nums[i]) 的话,有 dp[2]种方法 凑成 容量为5的背包
- 已经有一个4(nums[i]) 的话,有 dp[1]种方法 凑成 容量为5的背包
- 已经有一个5 (nums[i])的话,有 dp[0]种方法 凑成 容量为5的背包
那么凑整dp[5]有多少方法呢,也就是把 所有的 dp[j - nums[i]] 累加起来。
所以求组合类问题的公式,都是类似这种:
dp[j] += dp[j - nums[i]]
class Solution {
public:
int findTargetSumWays(vector<int>& nums, int target) {
int sum = 0;
// 计算数组的总和
for(int i : nums) {
sum += i;
}
// 检查是否有可能得到目标和
// (sum + target) 应该是偶数,否则无法分成两个整数(无解)
if ((sum + target) % 2 == 1) return 0;
// 目标值的绝对值不能超过数组总和,否则无解
if (abs(target) > sum) return 0;
// 计算正数的和应该是多少
int x = (sum + target) / 2;
// dp[j] 表示正数和为 j 的子集数量
vector<int> dp(x + 1, 0);
// 和为0只有1种方法,就是选0个数
dp[0] = 1;
// 遍历每个元素
for(int i = 0; i < nums.size(); i++) {
// 倒序遍历以保证每个数字只被使用一次
for(int j = x; j >= nums[i]; j--) {
// 状态转移方程
dp[j] += dp[j - nums[i]];
}
}
return dp[x];
}
};
-
确定 dp 数组以及下标以及对应值的含义
dp[j]
表示从数组中选取一些数字,使得这些数字的和为j
的不同选法的数量。- 通过将问题转化为找到子集和为
(sum + target) / 2
的个数,来实现。
-
确定递推公式
dp[j] = dp[j] + dp[j - nums[i]]
- 意味着:当前的和
j
的种类数等于不选择nums[i]
形成j
的种类数,加上选择nums[i]
形成j
的种类数。
-
dp数组如何初始化
dp[0] = 1
初始化,因为没有数的时候对0这个和来说是一种方法(即什么都不选)。
-
确定遍历顺序
- 外层循环遍历每一个数字,内层循环逆序遍历当前可能达成的和,从高到低的顺序来防止使用重复的数字。
- 内层循环倒序是典型的0-1背包问题的处理方式,以确保每个元素只使用一次。
-
举例推导 dp 数组
- 假设
nums = [1, 1, 1, 1, 1]
,target = 3
。 - 总和
sum = 5
,目标x = (5 + 3) / 2 = 4
。 - 初始
dp
状态:dp[0] = 1
, 其余为0
。 - 处理第一个
1
:dp[1] = 1
。 - 处理第二个
1
:dp[2] = 1
。 - 继续此过程,每次逐渐将
dp
数组元素更新为某个和的种类数。 - 最后
dp[4]
即为可以达成的种类方式数量(即为findTargetSumWays
方法的返回值)
- 假设
474一和零
题目描述;
给你一个二进制字符串数组 strs
和两个整数 m
和 n
。
请你找出并返回 strs
的最大子集的长度,该子集中 最多 有 m
个 0
和 n
个 1
。
如果 x
的所有元素也是 y
的元素,集合 x
是集合 y
的 子集 。
示例 1:
输入:strs = ["10", "0001", "111001", "1", "0"], m = 5, n = 3 输出:4 解释:最多有 5 个 0 和 3 个 1 的最大子集是 {"10","0001","1","0"} ,因此答案是 4 。 其他满足题意但较小的子集包括 {"0001","1"} 和 {"10","1","0"} 。{"111001"} 不满足题意,因为它含 4 个 1 ,大于 n 的值 3 。
示例 2:
输入:strs = ["10", "0", "1"], m = 1, n = 1 输出:2 解释:最大的子集是 {"0", "1"} ,所以答案是 2 。
class Solution {
public:
int findMaxForm(vector<string>& strs, int m, int n) {
// dp[i][j] 表示最多有 i 个 0 和 j 个 1 的情况下,可以得到的最大子集长度
vector<vector<int>> dp(m+1, vector<int>(n+1, 0));
// 遍历每个字符串
for(auto str : strs) {
int zeroNum = 0, oneNum = 0; // 初始化0和1的计数
// 计算每个字符串中0和1的个数
for(char s : str) {
if(s == '0') {
zeroNum++;
} else {
oneNum++;
}
}
// 从后向前遍历,以避免更新后对前面的结果产生影响
for(int i = m; i >= zeroNum; i--) {
for(int j = n; j >= oneNum; j--) {
// 选择 or 不选择当前字符串,取两者中的最大值
dp[i][j] = max(dp[i][j], dp[i - zeroNum][j - oneNum] + 1);
}
}
}
// 返回最终的最大子集长度
return dp[m][n];
}
};
-
确定 dp 数组以及下标以及对应值的含义
dp[i][j]
表示在0的个数不超过i
个,1的个数不超过j
个的情况下,可以得到的字符串子集的最大长度。- 该二维数组的本质是存储满足条件的最大子集的长度。
-
确定递推公式
- 对于每个字符串,我们可以选择使用或不使用:
dp[i][j]=max(dp[i][j],dp[i−zeroNum][j−oneNum]+1)
- 选择时:如果当前字符串符合剩余的
0
和1
的预算,则使用,并更新dp[i][j]
。 - 不选择时:保持
dp[i][j]
不变。
-
dp数组如何初始化
dp[i][j]
初始化为0
,因为任何情况下没有字符串子集时,子集长度为0
。
-
确定遍历顺序
- 使用倒序遍历
0
和1
的个数(即i
和j
),因为我们需要根据之前计算的dp
值来更新当前状态。 - 这种顺序确保在处理某个字符串时,不会影响到已经计算完的上一个状态。
- 使用倒序遍历
-
举例推导 dp 数组
- 假设
strs = ["10", "0001", "111001", "1", "0"]
,m = 5
,n = 3
。 - 初始
dp[0][0] = 0
for alli, j
。 - 处理
"10"
时,zeroNum = 1
,oneNum = 1
:- 更新
dp[i][j]
, 即dp[5][3]
,dp[4][3]
, ...,dp[1][1]
。
- 更新
- 处理
"0001"
时,zeroNum = 3
,oneNum = 1
:- 更新符合条件的部分,尝试用内循环更新可能的
dp[i][j]
。
- 更新符合条件的部分,尝试用内循环更新可能的
- 持续更新
dp
数组,直到全部字符串处理完毕。 - 最终
dp[m][n]
即为包含最多 m 个 0 和 n 个 1 的最大子集长度。
- 假设