目录
一、做题心得
今天来到了代码随想录打卡的第36天,同时也是动态规划章节的Part4。今天接着昨天的内容,也是01背包问题的应用。感觉第一次接触动规的确很难想到思路,今天的题目很经典,希望能通过今天的题目加深对01背包的应用。
直接开始今天的内容。
二、题目与题解
题目一:1049. 最后一块石头的重量
题目链接
1049. 最后一块石头的重量 II - 力扣(LeetCode)
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提示:
1 <= stones.length <= 30
1 <= stones[i] <= 100
题解:动态规划--01背包
这道题其实主要就是理解题意。
本题其实就是尽量让石头分成重量相同的两堆(尽可能趋近于总重量的一半),这样就能使这两堆相撞之后剩下的石头最小,就能满足题目的要求。
我们要求撞击后石头剩余的重量,就是用总的重量减去2倍小的那堆(也可能两堆一样)的重量。所以我们就需要考虑如何实现选取某些石头达到最接近总量一半(或者刚好等于一半),这样一堆石头为多少重量。
这样就化解成01背包问题了--就和昨天打卡的 416. 分割等和子集 一样了。
代码如下(一维dp):
lass Solution {
public:
int lastStoneWeightII(vector<int>& stones) {
int sum = 0;
for (int i = 0; i < stones.size(); i++) {
sum += stones[i];
}
int mid = sum / 2; //将石头分成两堆,每堆的重量尽可能接近总和的一半(注意这是向下取整,这样就保证了dp[mid]是小的那一堆,最后返回结果就保证了一定是正数)
/* 01背包--一维dp */
vector<int> dp(mid + 1, 0); //dp[j]表示不超过重量j时能选取的石头的最大重量和,初始化dp数组为0
for (int i = 0; i < stones.size(); i++) { //遍历物品(石头)
for (int j = mid; j >= stones[i]; j--) { //逆序遍历背包容量,确保每个石头只被使用一次
dp[j] = max(dp[j], dp[j - stones[i]] + stones[i]);
}
}
return sum - dp[mid] * 2; //返回撞击后石头剩余的重量
}
};
题目二:494. 目标和
题目链接
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提示:
1 <= nums.length <= 20
0 <= nums[i] <= 1000
0 <= sum(nums[i]) <= 1000
-1000 <= target <= 1000
题解:动态规划--01背包
这道题感觉第一遍做很难想到。
数组里的元素本身都是正的,我们形成一个表达式可以取元素本身,也可以取元素的负值。
为什么能够联想到使用01背包呢?
我们知道,表达式包括正数和负数。知道了表达式的结果target,通过求元素总和sum,我们就能求出正数的和 size = (target + sum) / 2,题目中求满足target的方案个数,就是在求正数和为size的方案个数--这就容易联想到01背包。
通过01背包我们可以得到从数组中选取元素,满足元素和为size的种类数。-- 因为数组中只有正数,我们只需要保证选取的正数和满足size即可。其余的元素自动以负数处理。这样得到的种类数就是满足目标和为 target 的种类数。
这里还要注意的就是dp[0]的初始化:dp[0] = 1。--这个可以举例探讨。
代码如下(一维dp,附详细注释):
class Solution {
public:
int findTargetSumWays(vector<int>& nums, int target) {
int sum = 0;
for (int i = 0; i < nums.size(); i++) { //对nums数组求和
sum += nums[i];
}
if (abs(target) > sum) return 0;
if ((target + sum) % 2 == 1) return 0; //正数之和size = (target + sum) / 2肯定是整数,故(target + sum)不能为奇数
int size = (target + sum) / 2; //背包容量:正数的和
/* 01背包--一维dp */
vector<int> dp(size + 1, 0); //dp[j]表示:填满j这么大容积的背包,有dp[j]种方法--在这里指有dp[j]种方案可以使得正数求和为j
dp[0] = 1; //注意:这里初始化dp[0] = 1(可通过举例代入确定)
for (int i = 0; i < nums.size(); i++) { //遍历数组--这里因为数组内元素都是正数(没符号改变),故可以遍历所有元素选择得到正数之和size
for (int j = size; j >= nums[i]; j--) {
dp[j] += dp[j - nums[i]]; //1.如果不选第i个数(nums[i])的话,则方法数为dp[j];2.如果选第i个数(nums[i])的话,则方法数为dp[j - nums[i]]
}
}
return dp[size]; //正数求和为size的方案数即是满足目标和为target的方案数
}
};
题目三:474.一和零
题目链接
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 。提示:
1 <= strs.length <= 600
1 <= strs[i].length <= 100
strs[i]
仅由'0'
和'1'
组成1 <= m, n <= 100
题解:动态规划--01背包
这道题其实容易想到01背包的做法,但是这里要考虑到两个背包--一个背包装0,一个背包装1,这也是这道题的一个需要重要理解的部分。
01背包与本题等价关系:
物品:字符串数组strs的元素(每个元素就是一个字符串)
物品容量:1的个数:one ;0的个数:zero
背包:i,j
背包容量:i个0,j个1
最大价值:最大子集大小(长度,相当于长度每+1,价值也+1)
这样是不是就清晰多了,我们只是一个背包转换成了两个背包,但是整体思路并不发生改变。
代码如下(一维dp的二维写法):
class Solution {
public:
int findMaxForm(vector<string>& strs, int m, int n) {
vector<vector<int>> dp(m + 1, vector<int> (n + 1, 0)); //dp[i][j]:最多有i个0和j个1的strs的最大子集的大小为dp[i][j]
for (string str : strs) { //挨个遍历物品str--字符串数组strs的元素
int one = 0;
int zero = 0;
for (char c : str) { //得到当前元素(物品)str中0和1的个数
if (c == '0') {
zero++;
}
else one++;
}
/* 01背包--一维dp的二维写法 */
for (int i = m; i >= zero; i--) { //逆序遍历两个背包:i和j
for (int j = n; j >= one; j--) {
dp[i][j] = max(dp[i][j], dp[i - zero][j - one] + 1);
}
}
}
return dp[m][n]; //最多有m个0和n个1的strs的最大子集的大小为dp[m][n]
}
};
三、小结
动态规划这一章节难度比较大,需要不断积累和练习,后边继续加油。