文章目录
1.背包问题(Knapsack Problem)
背包问题(Knapsack Problem)是一个经典的优化问题,通常描述为:给定一组物品,每种物品都有自己的重量和价值,在限定的总重量内,如何选择物品使得总价值最高。以下是一个0-1背包问题的Java实现,即每种物品只能选择0个或1个。
public class KnapsackProblem {
// 物品类
static class Item {
int weight; // 重量
int value; // 价值
public Item(int weight, int value) {
this.weight = weight;
this.value = value;
}
}
// 0-1背包问题的动态规划解法
public static int knapsack(Item[] items, int capacity) {
int n = items.length; // 物品数量
int[][] dp = new int[n + 1][capacity + 1]; // dp[i][j]表示前i个物品在容量为j的背包下能取得的最大价值
// 初始化dp数组
for (int i = 0; i <= n; i++) {
for (int j = 0; j <= capacity; j++) {
if (i == 0 || j == 0) {
dp[i][j] = 0; // 没有物品可选或者背包容量为0时,价值为0
}
}
}
// 填充dp数组
for (int i = 1; i <= n; i++) {
for (int j = 1; j <= capacity; j++) {
// 如果第i个物品的重量大于背包容量j,则不选择该物品
if (items[i - 1].weight > j) {
dp[i][j] = dp[i - 1][j];
} else {
// 否则,比较选择第i个物品与不选择第i个物品两种情况下的最大价值
dp[i][j] = Math.max(dp[i - 1][j], dp[i - 1][j - items[i - 1].weight] + items[i - 1].value);
}
}
}
// 返回最终的最大价值
return dp[n][capacity];
}
public static void main(String[] args) {
// 示例物品和背包容量
Item[] items = {new Item(10, 60), new Item(20, 100), new Item(30, 120)};
int capacity = 50;
// 计算最大价值
int maxValue = knapsack(items, capacity);
System.out.println("背包容量为 " + capacity + " 时的最大价值为: " + maxValue);
}
}
在上面的代码中,我们定义了一个Item
类来表示物品,其中包含了weight
(重量)和value
(价值)两个属性。然后,我们使用动态规划的方法解决了0-1背包问题。在knapsack
方法中,我们创建了一个二维数组dp
来保存中间结果,其中dp[i][j]
表示前i
个物品在容量为j
的背包下能取得的最大价值。最后,我们返回dp[n][capacity]
作为最终的最大价值,其中n
是物品数量,capacity
是背包容量。
在main
方法中,我们给出了一个示例物品数组和背包容量,并调用了knapsack
方法来计算最大价值,并打印结果。
2.最长公共子序列(Longest Common Subsequence)
最长公共子序列(Longest Common Subsequence, LCS)是一个经典的计算机科学问题,用于找出两个或多个序列中的最长公共子序列。下面是一个使用Java实现的LCS算法,包括中文注释:
public class LongestCommonSubsequence {
// 动态规划求解最长公共子序列
public static int longestCommonSubsequence(String text1, String text2) {
int m = text1.length();
int n = text2.length();
// 创建一个二维数组dp,用于存储最长公共子序列的长度
int[][] dp = new int[m + 1][n + 1];
// 初始化dp数组的第一行和第一列,都为0
for (int i = 0; i <= m; i++) {
dp[i][0] = 0;
}
for (int j = 0; j <= n; j++) {
dp[0][j] = 0;
}
// 填充dp数组
for (int i = 1; i <= m; i++) {
for (int j = 1; j <= n; j++) {
if (text1.charAt(i - 1) == text2.charAt(j - 1)) {
// 如果当前字符相等,则最长公共子序列长度加1
dp[i][j] = dp[i - 1][j - 1] + 1;
} else {
// 如果当前字符不相等,则取上方和左方两个位置的最大值
dp[i][j] = Math.max(dp[i - 1][j], dp[i][j - 1]);
}
}
}
// 返回最长公共子序列的长度
return dp[m][n];
}
// 用于测试的方法
public static void main(String[] args) {
String text1 = "ABCDEF";
String text2 = "ACEF";
System.out.println("最长公共子序列的长度为: " + longestCommonSubsequence(text1, text2));
}
}
在这个代码中,我们使用了动态规划的思想。首先,我们创建了一个二维数组dp
,其中dp[i][j]
表示text1
的前i
个字符和text2
的前j
个字符的最长公共子序列的长度。然后,我们遍历两个字符串,如果当前字符相等,则最长公共子序列长度加1;如果当前字符不相等,则取上方和左方两个位置的最大值。最后,返回dp[m][n]
,其中m
和n
分别是两个字符串的长度,即为最长公共子序列的长度。
3.最长上升子序列(Longest Increasing Subsequence)
最长上升子序列(Longest Increasing Subsequence,LIS)是算法问题中非常经典的一类问题。以下是使用Java实现最长上升子序列算法的代码,并附带了中文注释:
public class LongestIncreasingSubsequence {
// 动态规划求解最长上升子序列
public static int lengthOfLIS(int[] nums) {
if (nums == null || nums.length == 0) {
return 0;
}
// dp[i] 表示以 nums[i] 结尾的最长上升子序列的长度
int[] dp = new int[nums.length];
// 初始化dp数组,每个元素的最长上升子序列至少包含自己
for (int i = 0; i < nums.length; i++) {
dp[i] = 1;
}
int maxLength = 1; // 最长上升子序列的长度
// 遍历数组
for (int i = 1; i < nums.length; i++) {
// 遍历当前元素之前的所有元素
for (int j = 0; j < i; j++) {
// 如果当前元素大于前面的元素,则尝试更新dp[i]
if (nums[i] > nums[j]) {
dp[i] = Math.max(dp[i], dp[j] + 1);
}
}
// 更新最长上升子序列的长度
maxLength = Math.max(maxLength, dp[i]);
}
return maxLength;
}
// 用于测试的方法
public static void main(String[] args) {
int[] nums = {10, 9, 2, 5, 3, 7, 101, 18};
System.out.println("最长上升子序列的长度为: " + lengthOfLIS(nums));
}
}
代码解释:
- 我们使用一个数组
dp
来记录以每个元素为结尾的最长上升子序列的长度。 - 初始化时,假设每个元素都是长度为1的子序列(因为它自己就是一个子序列)。
- 遍历数组
nums
,对于每个元素nums[i]
,再遍历它之前的所有元素nums[j]
(其中j < i
)。 - 如果
nums[i]
大于nums[j]
,则尝试更新dp[i]
的值,因为nums[i]
可以接在以nums[j]
结尾的上升子序列后面,从而形成一个更长的上升子序列。 - 更新
dp[i]
为dp[j] + 1
和dp[i]
之间的较大值。 - 同时,我们用一个变量
maxLength
来记录遍历过程中遇到的最长上升子序列的长度。 - 最后返回
maxLength
即可。
在 main
方法中,我们定义了一个示例数组 nums
,并调用 lengthOfLIS
方法来计算最长上升子序列的长度,并将结果打印到控制台。