【LeetCode】全面了解背包问题：所有分类+模板汇总

最新推荐文章于 2024-07-09 21:52:52 发布

一荤配一素

最新推荐文章于 2024-07-09 21:52:52 发布

阅读量803

点赞数 1

分类专栏：算法题文章标签：算法动态规划 leetcode

本文链接：https://blog.csdn.net/Miracle_ps/article/details/116098785

版权

算法题专栏收录该内容

11 篇文章 1 订阅

订阅专栏

同步在：博客地址

文章目录

0. 起源

`0-1`背包：最大最小问题

概念：一共有N件物品，第i（i从1开始）件物品的重量为w[i]，价值为v[i]。在总重量不超过背包承载上限W的情况下，能够装入背包的最大价值是多少？
思路：定义一个二维数组dp 存储最大价值，其中dp[i][j]表示前i件物品体积不超过j 的情况下能达到的最大价值。设第i件物品体积为w，价值为v，根据第i件物品是否添加到背包中，可以分两种情况讨论：
- 第i件物品没添加到背包，总体积不超过j 的前i 件物品的最大价值就是总体积不超过j的前i-1件物品的最大价值， $d p [i] [j] = d p [i - 1] [j]$
- 第i件物品添加到背包中， $d p [i] [j] = d p [i - 1] [j - w [i]] + v [i]$
状态转换方程： $d p [i] [j] = m a x (d p [i - 1] [j], d p [i - 1] [j - w [i]] + v [i]), j > = w [i]$

源代码：

// w 表示背包总体积
// weights 表示物体的重量
// values 表示物体的价值，和 weights 一一对应
int backpack(int w, vector<int> &weights, vector<int> &values) {
	int n = weights.size();
	vector<vector<int>> dp(n, vector<int>(w))
	for(int i = 0; i < n; ++ i) {
		for (int j = 0; j < w; ++ j) {
			if (j >= w[i]) {
				// 背包承受力足够放下第 i 个物体
				dp[i][j] = max(dp[i-1][j], dp[i-1][j-w[i]] + v[i]);
			} else {
				// 背包承受力不够放下第 i 个物体
				dp[i][j] = dp[i-1][j];
			}
		}
	}
	return dp[n-1][w-1];
}

最后：可以优化一下空间的，这里不细说了，注意第二个循环需要倒叙遍历，具体参考：CyC2018

完全背包问题

概念：和0-1背包问题相似，只是每个重量的物体有无数多个，也就可以重复放某个价值的物体，最终目的就是让背包的总价值最大
思路：总体思想和0-1背包一样
- 第i件物品没添加到背包，同上， $d p [i] [j] = d p [i - 1] [j]$
- 第i件物品添加到背包中，此时和01背包不太一样，因为每种物品有无限个（但注意书包限重是有限的），所以此时不应该转移到dp[i−1][j−w[i]]而应该转移到dp[i][j−w[i]]，即装入第i种商品后还可以再继续装入第种商品。 $d p [i] [j] = d p [i] [j - w [i]] + v [i]$
状态转换方程： $d p [i] [j] = m a x (d p [i - 1] [j], d p [i] [j - w [i]] + v [i]), j > = w [i]$

源代码：

// w 表示背包总体积
// weights 表示物体的重量
// values 表示物体的价值，和 weights 一一对应
int backpack(int w, vector<int> &weights, vector<int> &values) {
	int n = weights.size();
	vector<vector<int>> dp(n, vector<int>(w))
	for(int i = 0; i < n; ++ i) {
		for (int j = 0; j < w; ++ j) {
			if (j >= w[i]) {
				// 背包承受力足够放下第 i 个物体
				dp[i][j] = max(dp[i-1][j], dp[i][j-w[i]] + v[i]);
			} else {
				// 背包承受力不够放下第 i 个物体
				dp[i][j] = dp[i-1][j];
			}
		}
	}
	return dp[n-1][w-1];
}

同理可以优化空间，好像需要注意：第二个循环正序遍历，不太懂，具体参考完全背包-知乎

多重背包问题

先不整理了，有点费脑子

混合背包或者多维度背包

太难了，🤮了，具体可以参考九讲背包问题

1. LeetCode实战

参考：力扣-澜山

0. 组合问题

dp[i] += dp[i-num]
  
// 组合问题需考虑元素之间的顺序，需将target放在外循环，将nums放在内循环
for i in range(1, target+1):
    for num in nums:

377.组合总和 Ⅳ、494.目标和、518.零钱兑换 II

这里展示一下377.组合总和 Ⅳ，这是需要考虑每个数字之间的顺序的，所以是组合问题
- 用 dp[x] 表示选取的元素之和等于 x的方案数，目标是求 dp[target]。
- 动态规划的边界是dp[0]=1，有当不选取任何元素时，元素之和才为 0，因此只有 1 种方案。
- 当 $1 < = i < = t a r g e t$ ，如果存在一种排列，其中的元素之和等于 i，则该排列的最后一个元素一定是数组 nums 中的一个元素，假设该排列的最后一个元素是 num，则一定有 $n u m < = i$ ，对于元素之和等于 i−num的每一种排列，在最后添加 num之后即可得到一个元素之和等于 i 的排列，因此在计算 **dp[i]**时，应该计算所有的 dp[i−num] 之和。
- 参考：力扣官方-题解
```
class Solution {
public:
    int combinationSum4(vector<int>& nums, int target) {
        vector<unsigned long long> dp(target + 1);
        dp[0] = 1;
        for (int i = 1; i <= target; ++ i) {
            for (auto num: nums) {
                if (i >= num ) {
                    dp[i] += dp[i-num];
                }
            }
        }
        return dp[target];
    }
};
```
说明一下：这里使用unsigned long long是为了防止测试数据的溢出，其实这个测试用例有点内个，我的疑问解答

1. True、False问题公式

dp[i] = dp[i] or dp[i-num]

139.单词拆分、416.分割等和子集

这里展示139.单词拆分：dp[i] 表示 s 的前 i 位是否可以用 wordDict 中的单词表示

class Solution {
public:
    bool wordBreak(string s, vector<string>& wordDict) {
        vector<bool> dp(s.size() + 1);
        // 这里使用set容器是为方便查找
      	unordered_set<string> m(wordDict.begin(), wordDict.end());
        dp[0] = true;
        int maxL = 0;
      	// 这里做一个优化，每次j不需要从0开始遍历，wordDict里面有一个最小长度的串
        for (auto s: wordDict) {
            maxL = max(maxL, (int)s.length());
        }
        for (int i = 1; i <= s.size(); ++ i) {
            int start = max(i - maxL, 0);
            for (int j = start; j < i; ++ j) {
                if (dp[j] && m.find(s.substr(j, i-j)) != m.end()) {
                    dp[i] = true;
                    break;
                }
            }
        }
        return dp[s.size()];
    }
};

2. 最大最小问题

dp[i] = min(dp[i], dp[i-num]+1) or dp[i] = max(dp[i], dp[i-num]+1)

474.一和零、322.零钱兑换

这里展示322.零钱兑换：让找的零钱数最少
- 假设 f(n) 代表要凑齐金额为 n 所要用的最少硬币数量，那么有：
  
  $f (n) = m i n (f (n - c 1), f (n - c 2), . . . f (n - c n)) + 1$
  
  其中 c1 ~ cn 为硬币的所有面额。
- 再具体解释一下这个公式吧，例如这个示例：
```
输入: coins = [1, 2, 5], amount = 11
输出: 3 
解释: 11 = 5 + 5 + 1
```
  题目求的值为 f(11)，第一次选择硬币时我们有三种选择。
  
  假设我们取面额为 1 的硬币，那么接下来需要凑齐的总金额变为 11 - 1 = 10，即 f(11) = f(10) + 1，这里的 +1 就是我们取出的面额为 1 的硬币。
  
  同理，如果取面额为 2 或面额为 5 的硬币可以得到：
  - f(11) = f(9) + 1
  - f(11) = f(6) + 1
  所以：
```
f(11) = min(f(10), f(9), f(6)) + 1
```
- 参考：力扣-江不知
```
class Solution {
public:
    int coinChange(vector<int>& coins, int amount) {
        vector<int> dp(amount + 1, INT_MAX);
        dp[0] = 0;
        
        // 两种遍历方式都可以
        for (int i = 1; i <= amount; ++ i) {
            for (auto c: coins) {
                if (i >= c && dp[i-c] != INT_MAX) {
                    dp[i] = min(dp[i], dp[i-c] + 1);
                }
            }
        }

        // for (int c: coins) {
        //     for(int j = c; j <= amount; ++ j) {
        //         if(dp[j- c] != INT_MAX) {
        //             dp[j] = min(dp[j], dp[j-c] + 1);
        //         }
        //     }
        // }

        return dp[amount] == INT_MAX ? -1 : dp[amount]; 
    }
};
```

2. Trick

参考：力扣-澜山

不过好像不是很理解，🤒

背包问题技巧：

如果是0-1背包，即数组中的元素不可重复使用，nums放在外循环，target在内循环，且内循环倒序；
```
for num in nums:
    for i in range(target, nums-1, -1):
```
如果是完全背包，即数组中的元素可重复使用，nums放在外循环，target在内循环。且内循环正序。
```
for num in nums:
    for i in range(nums, target+1):
```
如果组合问题需考虑元素之间的顺序，需将target放在外循环，将nums放在内循环。
```
for i in range(1, target+1):
    for num in nums:
```

3. 所有的背包问题汇总

引用来自公众号「宫水三叶的刷题日记」：

01背包 : 背包问题第一讲
【练习】01背包 : 背包问题第二讲（416. 分割等和子集）
【学习&练习】01背包 : 背包问题第三讲（416. 分割等和子集）
完全背包 : 背包问题第四讲
【练习】完全背包 : 背包问题第五讲（279. 完全平方数）
【练习】完全背包 : 背包问题第六讲（322. 零钱兑换）
【练习】完全背包 : 背包问题第七讲（518. 零钱兑换 II）
【练习】完全背包 : 背包问题第 * 讲（1449. 数位成本和为目标值的最大数字）
多重背包 : 背包问题第八讲
多重背包（优化篇）
多重背包（优化篇）: 背包问题第九讲
多重背包（优化篇）: 背包问题第十讲
混合背包
【练习】混合背包
分组背包
【练习】分组背包
多维背包
【练习】多维背包 : 背包问题第 * 讲（474. 一和零）
【练习】多维背包 : 背包问题第 * 讲（879. 盈利计划）
树形背包
【练习】树形背包
背包求方案数
【练习】背包求方案数 : 背包问题第 * 讲（494. 目标和）
【练习】背包求方案数 : 背包问题第 * 讲（879. 盈利计划）
背包求具体方案
【练习】背包求具体方案 : 背包问题第 * 讲（1049. 最后一块石头的重量 II）
【练习】背包求具体方案 : 背包问题第 * 讲（1449. 数位成本和为目标值的最大数字）
泛化背包
【练习】泛化背包

4. 背包问题模板🔥🚀

4.1 首先是背包分类的模板：

1、0/1背包：外循环nums,内循环target,target倒序且target>=nums[i];
2、完全背包：外循环nums,内循环target,target正序且target>=nums[i];
3、组合背包(考虑顺序)：外循环target,内循环nums,target正序且target>=nums[i];
4、分组背包：这个比较特殊，需要三重循环：外循环背包bags,内部两层循环根据题目的要求转化为1,2,3三种背包类型的模板

4.2 然后是问题分类的模板：

1、最值问题: dp[i] = max/min(dp[i], dp[i-nums]+1)或dp[i] = max/min(dp[i], dp[i-num]+nums);
2、存在问题(bool)：dp[i]=dp[i]||dp[i-num];
3、组合问题：dp[i]+=dp[i-num];