【动态规划】通过例题 理解 完全背包问题（完全背包、零钱兑换、完全平方数、C++）

---

前言

完全背包问题 是一种经典的动态规划问题，通常用于求解优化问题。在这个问题中，我们有一个背包和一组物品，每种物品有一个特定的重量和价值。

• 与01背包问题不同的是，在完全背包问题中，每种物品可以无限次使用。

---

问题描述

给定一个背包容量 W 和 n 种物品，每种物品 i 具有重量 w[i] 和价值 v[i]。我们希望在不超过背包容量的情况下，选择物品使得背包中物品的总价值最大化。

---

动态规划解法

动态规划解法通过构建一个状态转移表来解决这个问题。我们可以使用一个一维数组 dp 来表示最大价值，其中 dp[j] 表示背包容量为 j 时可以获得的最大价值。

状态转移方程：

dp[j] = max(dp[j], dp[j - w[i]] + v[i])

其中 j 是当前背包容量，w[i] 和 v[i] 分别是第 i 种物品的重量和价值。这个方程的意思是，对于每个容量 j，我们可以选择不选择第 i 种物品，或者选择第 i 种物品，取这两者中的最大值。

---

算法题

1.【模板】完全背包

思路

1. 数据读入：

   • 读入物品数量 n 和背包容量 V。
   • 读入每种物品的价值 v[i] 和重量 w[i]。

2. 问题一：完全背包问题

   • 使用二维数组 dp[i][j] 来表示前 i 个物品中背包容量为 j 时的最大价值。
   • 初始化 dp 数组，dp[i][j] 继承自 dp[i-1][j]（不选当前物品）。
   • 如果当前背包容量 j 能容纳第 i 种物品，则更新 dp[i][j] 为选用当前物品后的最大价值。

3. 问题二：判断背包是否有解的完全背包问题

   • 初始化 dp 数组，设置 dp[0][j] 为 -1（表示不可能达到这些容量）。
   • 对于每种物品，更新 dp[i][j]，但前提是当前容量 j 可以通过当前物品达成并且之前的状态不为 -1。

4. 输出结果：

   • 对于问题一，输出最大价值。
   • 对于问题二，输出背包容量 V 时的最大价值，如果为 -1 则输出 0（表示无法达到这个容量）。

---

代码

#include <iostream>
#include <cstring>
using namespace std;

const int N = 1010;
int n, V, v[N], w[N];
int dp[N][N];

int main() {
    // 读入数据
    cin >> n >> V;
    for (int i = 1; i <= n; i++)
        cin >> v[i] >> w[i];

    // 问题一
    for (int i = 1; i <= n; ++i)
        for (int j = 0; j <= V; ++j) {
            dp[i][j] = dp[i - 1][j];
            if (j >= v[i])
                dp[i][j] = max(dp[i][j], dp[i][j - v[i]] + w[i]);
        }
    cout << dp[n][V] << endl;

    // 问题二
    memset(dp, 0, sizeof(dp));
    for (int j = 1; j <= V; ++j)
        dp[0][j] = -1;

    for (int i = 1; i <= n; ++i)
        for (int j = 0; j <= V; ++j) {
            dp[i][j] = dp[i - 1][j];
            if (j >= v[i] && dp[i][j - v[i]] != -1)
                dp[i][j] = max(dp[i][j], dp[i][j - v[i]] + w[i]);
        }

    cout << (dp[n][V] == -1 ? 0 : dp[n][V]) << endl;
    return 0;
}

---

2.零钱兑换

思路

1. 初始化：

   • INF 定义为一个很大的值，用于表示无法达成的情况。
   • dp[i][j] 表示使用前 i 种硬币组合，总金额 j 所需的最少硬币数。

2. DP 数组初始化：

   • dp[0][j] 初始化为 INF（表示使用 0 种硬币无法达到金额 j，除非 j 为 0）。dp[0][0] 被隐式地设置为 0。

3. 状态转移：

   • 对于每个硬币 i 和金额 j，有两种选择：
     1. 不使用当前硬币 i：即 dp[i][j] 继承自 dp[i-1][j]。
     2. 使用当前硬币 i：更新 dp[i][j] 为 dp[i][j - coins[i-1]] + 1（即在不使用当前硬币时的最小硬币数基础上加上当前硬币）。
   • 比较这两种情况，取最小值。

4. 返回结果：

   • 如果 dp[n][amount] 大于等于 INF，说明无法用给定的硬币组合成目标金额 amount，返回 -1。
   • 否则，返回 dp[n][amount]，即最少硬币数。

5. 总结：

   • dp[i][j]：使用前 i 种硬币时，凑出金额 j 的最小硬币数。
   • 时间复杂度：O(n * amount)，n 是硬币种类数，amount 是目标金额。
   • 空间复杂度：O(n * amount)。

---

代码

class Solution {
public:
    const int INF = 0x3f3f3f3f;

    int coinChange(vector<int>& coins, int amount) {
        int n = coins.size();
        // 创建dp数组
        // dp[i][j]: 在前i个数中，选择硬币，使总金额恰好为j的最少硬币个数
        vector<vector<int>> dp(n+1, vector<int>(amount+1));
        // 初始化
        afor(int j = 1; j <= amount; ++j)
            dp[0][j] = INF;
        for(int i = 1; i <= n; ++i)
            for(int j = 0; j <= amount; ++j)
            {
                dp[i][j] = dp[i-1][j];
                if(j >= coins[i-1])
                    dp[i][j] = min(dp[i][j], dp[i][j-coins[i-1]] + 1);
            }

        return dp[n][amount] >= INF ? -1 : dp[n][amount];
    }
};

---

3.零钱兑换II

思路

1. 初始化：

   • dp[j] 表示凑成金额 j 的不同组合数。
   • dp[0] = 1 表示凑成金额 0 的组合数为 1（即不选任何硬币）。

2. 状态转移：

   • 对于每种硬币 coins[i-1]，更新 dp[j]。这里需要注意的是，我们从金额 coins[i-1] 开始更新，因为金额小于 coins[i-1] 的情况不会受到当前硬币影响。
   • dp[j] += dp[j - coins[i-1]]：这是因为 dp[j - coins[i-1]] 代表了凑成金额 j - coins[i-1] 的组合数，而 dp[j] 的更新表示将当前硬币 coins[i-1] 加入这些组合中，得到新的组合数。

3. 返回结果：

   • dp[amount] 存储了凑成金额 amount 的所有可能组合数。

4. 总结：

   • 时间复杂度：O(n * amount)，其中 n 是硬币的种类数，amount 是目标金额。每种硬币遍历 amount 次。
   • 空间复杂度：O(amount)。我们只使用了一维的 dp 数组来存储状态，减少了空间复杂度。

代码

class Solution {
public:
    int change(int amount, vector<int>& coins) {
        // 空间优化版本：
        int n = coins.size();
        // 创建dp数组
        // dp[i][j]: 从前i个位选，使其总和为i，的选法
        vector<int> dp(amount+1);
        dp[0] = 1;

        for(int i = 1; i <= n; ++i)
            for(int j = coins[i-1]; j <= amount; ++j)
                dp[j] += dp[j-coins[i-1]];

        return dp[amount];
    }
};

---

4.完全平方数

思路

1. 初始化：

   • int _sqrt = sqrt(n); 计算不超过 n 的最大整数平方根。
   • vector<vector<int>> dp(_sqrt + 1, vector<int>(n + 1)); 创建二维 dp 数组，其中 dp[i][j] 代表前 i 个平方数中组成 j 的最少数量。
   • for (int j = 1; j <= n; ++j) dp[0][j] = 0x3f3f3f3f; 初始化 dp 表中的不可达状态为一个很大的值（表示初始状态下无法组成 j）。

2. 填表：

   • for (int i = 1; i <= _sqrt; ++i) 遍历每个可能的平方数。
   • dp[i][j] = dp[i-1][j]; 初始状态为不选第 i 个平方数的情况下的结果。
   • if (j >= i * i) 当 j 大于等于当前平方数 i*i 时，尝试使用这个平方数更新 dp。
   • dp[i][j] = min(dp[i][j], dp[i][j - i * i] + 1); 更新 dp[i][j] 为包括当前平方数的最小值。

3. 返回结果：

   • return dp[_sqrt][n]; 最终结果在 dp[_sqrt][n] 中，它表示用最少的平方数组合成 n。

4. 总结：

• 时间复杂度：O(sqrt(n) * n)，其中 sqrt(n) 是平方数的数量，n 是目标值。
• 空间复杂度：O(sqrt(n) * n)，由于使用了二维 dp 数组。

---

代码

class Solution {
public:
    int numSquares(int n) {
        int _sqrt = sqrt(n);
        // 创建dp数组
        // dp[i][j]: 在前i个数中，选择数使其和等于j，时的最少数量
        vector<vector<int>> dp(_sqrt+1, vector<int>(n+1));
        for(int j = 1; j <= n; ++j) dp[0][j] = 0x3f3f3f3f;
        // 填表
        for(int i = 1; i <= _sqrt; ++i)
            for(int j = 1; j <= n; ++j)
            {
                dp[i][j] = dp[i-1][j]; // 不选i位置数
                if(j >= i*i)
                    dp[i][j] = min(dp[i][j], dp[i][j-i*i]+1);
            }

        return dp[_sqrt][n];
    }
};

---

思路

代码

---

思路

代码