题目如下
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 。
解题思路
动态规划
这道题和经典的背包问题非常相似,但是和经典的背包问题只有一种容量不同,这道题有两种容量,即选取的字符串子集中的 0 和 1 的数量上限。
经典的背包问题可以使用二维动态规划求解,两个维度分别是物品和容量。这道题有两种容量,因此需要使用三维动态规划求解,三个维度分别是字符串、0 的容量和 1 的容量。
定义三维数组 \textit{dp}dp,其中dp[i][j][k] 表示在前 i 个字符串中,使用 j 个 0 和 k 个 1 的情况下最多可以得到的字符串数量。假设数组str 的长度为 l,则最终答案为dp[l][m][n]。
当没有任何字符串可以使用时,可以得到的字符串数量只能是 0,因此动态规划的边界条件是:当 i=0 时,对任意 0≤j≤m 和 0≤k≤n,都有dp[i][j][k]=0。
当 1≤i≤l 时,对于 strs 中的第 i 个字符串(计数从 1 开始),首先遍历该字符串得到其中的 0 和 1 的数量,分别记为 zeros 和 ones,然后对于 0≤j≤m 和 0≤k≤n,计算dp[i][j][k] 的值。
当 0 和 1 的容量分别是 j 和 k 时,考虑以下两种情况:
如果j<zeros 或k<ones,则不能选第 i 个字符串,此时有dp[i][j][k]=dp[i−1][j][k];
如果 j≥zeros 且 k≥ones,则如果不选第 i 个字符串,有dp[i][j][k]=dp[i−1][j][k],如果选第 ii 个字符串,有 dp[i][j][k]=dp[i−1][j−zeros][k−ones]+1,dp[i][j][k] 的值应取上面两项中的最大值。
因此状态转移方程如下:
最终得到dp[l][m][n] 的值即为答案。
由此可以得到空间复杂度为 O(lmn)的实现。
解题代码
class Solution
{
public:
vector<int> getZerosOnes(string& str)
{
vector<int> zerosOnes(2);
int length = str.length();
for (int i = 0; i < length; i++)
{
zerosOnes[str[i] - '0']++;
}
return zerosOnes;
}
int findMaxForm(vector<string>& strs, int m, int n)
{
int length = strs.size();
vector<vector<vector<int>>> dp(length + 1, vector<vector<int>>(m + 1, vector<int>(n + 1)));
for (int i = 1; i <= length; i++)
{
vector<int>&& zerosOnes = getZerosOnes(strs[i - 1]);
int zeros = zerosOnes[0], ones = zerosOnes[1];
for (int j = 0; j <= m; j++)
{
for (int k = 0; k <= n; k++)
{
dp[i][j][k] = dp[i - 1][j][k];
if (j >= zeros && k >= ones)
{
dp[i][j][k] = max(dp[i][j][k], dp[i - 1][j - zeros][k - ones] + 1);
}
}
}
}
return dp[length][m][n];
}
};
由于dp[i][][] 的每个元素值的计算只和dp[i−1][][] 的元素值有关,因此可以使用滚动数组的方式,去掉 dp 的第一个维度,将空间复杂度优化到 O(mn))。
实现时,内层循环需采用倒序遍历的方式,这种方式保证转移来的是 dp[i−1][][] 中的元素值。
class Solution
{
public:
vector<int> getZerosOnes(string& str)
{
vector<int> zerosOnes(2);
int length = str.length();
for (int i = 0; i < length; i++)
{
zerosOnes[str[i] - '0']++;
}
return zerosOnes;
}
int findMaxForm(vector<string>& strs, int m, int n)
{
int length = strs.size();
vector<vector<vector<int>>> dp(length + 1, vector<vector<int>>(m + 1, vector<int>(n + 1)));
for (int i = 1; i <= length; i++)
{
vector<int>&& zerosOnes = getZerosOnes(strs[i - 1]);
int zeros = zerosOnes[0], ones = zerosOnes[1];
for (int j = 0; j <= m; j++)
{
for (int k = 0; k <= n; k++)
{
dp[i][j][k] = dp[i - 1][j][k];
if (j >= zeros && k >= ones)
{
dp[i][j][k] = max(dp[i][j][k], dp[i - 1][j - zeros][k - ones] + 1);
}
}
}
}
return dp[length][m][n];
}
};
复杂度分析
时间复杂度:O(lmn+L),其中 l 是数组strs 的长度,m 和 n 分别是 0 和 11 的容量,L 是数组 strs 中的所有字符串的长度之和。
动态规划需要计算的状态总数是 O(lmn),每个状态的值需要 O(1) 的时间计算。
对于数组strs 中的每个字符串,都要遍历字符串得到其中的 0 和 1 的数量,因此需要O(L) 的时间遍历所有的字符串。
总时间复杂度是 O(lmn+L)。
空间复杂度:O(mn),其中 m 和 nn 分别是 0 和 1 的容量。使用空间优化的实现,需要创建 m+1 行n+1 列的二维数组 dp。