代码随想录 刷题记录-18 动态规划（2）01背包问题、习题

最新推荐文章于 2024-08-30 11:28:00 发布
最新推荐文章于 2024-08-30 11:28:00 发布
阅读量612 收藏 19
点赞数 9
文章标签： 动态规划 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Renas_TJOvO/article/details/141528249
版权

一、01背包理论基础

例题：46. 携带研究材料

01 背包

有n件物品和一个最多能背重量为w 的背包。第i件物品的重量是weight[i]，得到的价值是value[i] 。每件物品只能用一次，求解将哪些物品装入背包里物品价值总和最大。

暴力解法：每个物品有取或不取两种状态，可以用回溯法遍历，时间复杂度O(2^n)

时间复杂度是指数级别，考虑动态规划进行优化。

动规五部曲：

1.确定dp数组及下标含义

需要使用二维数组，因为有两个维度需要考虑：物品、背包容量

dp[i][j] 表示从下标为[0-i]的物品里任意取，放进容量为j的背包，价值总和最大是多少。

2.确定递推公式

dp[i][j]的来源：

  • 不放物品i：由dp[i - 1][j]推出，即背包容量为j，里面不放物品i的最大价值，此时dp[i][j]就是dp[i - 1][j]。

  • 放物品i：由dp[i - 1][j - weight[i]]推出，dp[i - 1][j - weight[i]] 为背包容量为j - weight[i]的时候不放物品i的最大价值，那么dp[i - 1][j - weight[i]] + value[i] （物品i的价值），就是背包放物品i得到的最大价值

dp[i][j] = Math.max( dp[i-1][j] , dp[i-1][j-w[i]] + v[i] )

3.dp数组初始化

要初始化那些部分，要从递推方程来看，从递推方程可以看到dp[i][j]来源于 dp[i-1]行，所以dp[0]行要初始化：

dp[0][j]，即：i为0，存放编号0的物品的时候，各个容量的背包所能存放的最大价值。

那么很明显当 j < weight[0]的时候，dp[0][j] 应该是 0，因为背包容量比编号0的物品重量还小。

当j >= weight[0]时，dp[0][j] 应该是value[0]，因为背包容量放足够放编号0物品。

同时，从dp数组定义出发，容量为0时候，最大价值为0；只考虑第0种物品时，能够放得下则初始化为value[0].

4.确定遍历顺序

先遍历 物品还是先遍历背包重量呢？

其实都可以！！ 但是先遍历物品更好理解。

先给出先遍历物品，然后遍历背包重量的代码。

// weight数组的大小 就是物品个数
for(int i = 1; i < weight.size(); i++) { // 遍历物品
    for(int j = 0; j <= bagweight; j++) { // 遍历背包容量
        if (j < weight[i]) dp[i][j] = dp[i - 1][j];
        else dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]);

    }
}

先遍历背包，再遍历物品，也是可以的！（注意我这里使用的二维dp数组）

例如这样：

// weight数组的大小 就是物品个数
for(int j = 0; j <= bagweight; j++) { // 遍历背包容量
    for(int i = 1; i < weight.size(); i++) { // 遍历物品
        if (j < weight[i]) dp[i][j] = dp[i - 1][j];
        else dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]);
    }
}

要理解递归的本质和递推的方向。

dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]); 递归公式中可以看出dp[i][j]是靠dp[i-1][j]和dp[i - 1][j - weight[i]]推导出来的。

dp[i-1][j]和dp[i - 1][j - weight[i]] 都在dp[i][j]的左上角方向（包括正上方向），那么先遍历物品，再遍历背包的过程如图所示：

动态规划-背包问题5

再来看看先遍历背包，再遍历物品呢，如图：

动态规划-背包问题6

大家可以看出，虽然两个for循环遍历的次序不同，但是dp[i][j]所需要的数据就是左上角，根本不影响dp[i][j]公式的推导！

但先遍历物品再遍历背包这个顺序更好理解。

5.举例推导dp数组

来看一下对应的dp数组的数值，如图：

动态规划-背包问题4

最终结果就是dp[2][4]。

代码如下：

import java.util.Scanner;

public class Main{
    public static void main(String[] args) {
        Scanner scanner = new Scanner(System.in);
        int n = scanner.nextInt();
        int capacity = scanner.nextInt();
        int[] value = new int[n];
        int[] weight = new int[n];

        for(int i = 0; i < n ; i++){
            weight[i] = scanner.nextInt();
        }

        for(int i = 0; i < n ; i++){
            value[i] = scanner.nextInt();
        }

        int[][] dp = new int[n][capacity+1];
        for(int i = 0 ; i < n ; i++){
            dp[i][0] = 0;
        }
        for(int j = 0; j <=capacity ; j++){
            if(j >= weight[0]){
                dp[0][j] = value[0];
            }
        }

        for(int i = 1; i < n ; i++){
            for(int j = 0; j <= capacity ; j++){
                if(j < weight[i]){
                    dp[i][j] = dp[i-1][j];
                }else{
                    dp[i][j] = Math.max(dp[i-1][j],dp[i-1][j-weight[i]]+value[i]);
                }
            }
        }

        System.out.println(dp[n-1][capacity]);
    }
}

关于滚动数组

对于背包问题其实状态都是可以压缩的。

在使用二维数组的时候，递推公式：dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]);

其实可以发现如果把dp[i - 1]那一层拷贝到dp[i]上，表达式完全可以是：dp[i][j] = max(dp[i][j], dp[i][j - weight[i]] + value[i]);

与其把dp[i - 1]这一层拷贝到dp[i]上，不如只用一个一维数组了，只用dp[j]（一维数组，也可以理解是一个滚动数组）

这就是滚动数组的由来，需要满足的条件是上一层可以重复利用，直接拷贝到当前层。

动规五部曲分析如下：

1.确定dp数组及下标含义

在一维dp数组中，dp[j]表示：容量为j的背包，所背的物品价值可以最大为dp[j]。

2.递推公式

二维dp数组的递推公式为： dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]);

一维dp数组，其实就上上一层 dp[i-1] 这一层 拷贝的 dp[i]来。

所以在 上面递推公式的基础上，去掉i这个维度就好。

递推公式为：dp[j] = max(dp[j], dp[j - weight[i]] + value[i]);

分析：

dp[j]为 容量为j的背包所背的最大价值。

dp[j]可以通过dp[j - weight[i]]推导出来，dp[j - weight[i]]表示容量为j - weight[i]的背包所背的最大价值。

dp[j - weight[i]] + value[i] 表示 容量为 [j - 物品i重量] 的背包 加上 物品i的价值。（也就是容量为j的背包，放入物品i了之后的价值即：dp[j]）

此时dp[j]有两个选择，一个是取自己dp[j] 相当于 二维dp数组中的dp[i-1][j]，即不放物品i，一个是取dp[j - weight[i]] + value[i]，即放物品i，指定是取最大的，毕竟是求最大价值，

所以递归公式为：

dp[j] = max(dp[j], dp[j - weight[i]] + value[i]);

3.初始化

初始化，一定要和dp数组的定义吻合。

dp[j]表示：容量为j的背包，所背的物品价值可以最大为dp[j]，那么dp[0]就应该是0，因为背包容量为0所背的物品的最大价值就是0。

那么dp数组除了下标0的位置，初始为0，其他下标应该初始化多少呢？

看一下递归公式：dp[j] = max(dp[j], dp[j - weight[i]] + value[i]);

dp数组在推导的时候一定是取价值最大的数，如果题目给的价值都是正整数那么非0下标都初始化为0就可以了。

这样才能让dp数组在递归公式的过程中取的最大的价值，而不是被初始值覆盖了。

那么我假设物品价值都是大于0的，所以dp数组初始化的时候，都初始为0就可以了。

4.遍历顺序

for(int i = 0; i < weight.size(); i++) { // 遍历物品
    for(int j = bagWeight; j >= weight[i]; j--) { // 遍历背包容量
        dp[j] = max(dp[j], dp[j - weight[i]] + value[i]);

    }
}

二维dp遍历的时候，背包容量是从小到大，而一维dp遍历的时候，背包是从大到小。

为什么呢？

倒序遍历是为了保证物品i只被放入一次！。但如果一旦正序遍历了，那么物品0就会被重复加入多次！

举一个例子：物品0的重量weight[0] = 1，价值value[0] = 15

如果正序遍历

dp[1] = dp[1 - weight[0]] + value[0] = 15

dp[2] = dp[2 - weight[0]] + value[0] = 30

此时dp[2]就已经是30了，意味着物品0，被放入了两次，所以不能正序遍历。

为什么倒序遍历，就可以保证物品只放入一次呢？

倒序就是先算dp[2]

dp[2] = dp[2 - weight[0]] + value[0] = 15 （dp数组已经都初始化为0）

dp[1] = dp[1 - weight[0]] + value[0] = 15

所以从后往前循环，每次取得状态不会和之前取得状态重合，这样每种物品就只取一次了。

为什么二维dp数组遍历的时候不用倒序呢？

因为对于二维dp，dp[i][j]都是通过上一层即dp[i - 1][j]计算而来，本层的dp[i][j]并不会被覆盖！

（也就是说，根据递推公式，计算后面的要用到前面的，因此前面的要后算，从后往前算）

再来看看两个嵌套for循环的顺序，代码中是先遍历物品嵌套遍历背包容量，那可不可以先遍历背包容量嵌套遍历物品呢？

不可以！

因为一维dp的写法，背包容量一定是要倒序遍历（原因上面已经讲了），如果遍历背包容量放在上一层，那么每个dp[j]就只会放入一个物品，即：背包里只放入了一个物品。

所以一维dp数组的背包在遍历顺序上和二维其实是有很大差异的！，这一点大家一定要注意。

5.举例推导dp数组

一维dp，分别用物品0，物品1，物品2 来遍历背包，最终得到结果如下：

动态规划-背包问题9

二、习题

1.416. 分割等和子集

可以用回溯法，但是会超时（剪枝了也超时）：

class Solution {
    int[] nums;
    int sum ;
    int tmpSum;
    
    boolean flag = false;
    public boolean canPartition(int[] nums) {
        this.nums = nums;
        sum = Arrays.stream(nums).sum();
        if(sum%2 == 1) return false;
        dfs(0);
        if(flag) return true;
        return false;
    }
    
    public void dfs(int startIndex){
        if(tmpSum == sum/2){
            flag = true;
            return ; 
        }
        if(startIndex == nums.length ){
            return;
        }
        for(int i = startIndex ; i < nums.length ; i++){
            tmpSum += nums[i];
            dfs(i+1);
            tmpSum -= nums[i];
        }
    }
}

考虑动态规划

背包问题有多种背包方式，常见的有：01背包、完全背包、多重背包、分组背包和混合背包等等。

要注意题目描述中商品是不是可以重复放入。

即一个商品如果可以重复多次放入是完全背包，而只能放入一次是01背包，写法还是不一样的。

要明确本题中我们要使用的是01背包，因为元素我们只能用一次。

本题要求集合里能否出现总和为 sum / 2 的子集。

那么来一一对应一下本题，看看背包问题如何来解决。

只有确定了如下四点，才能把01背包问题套到本题上来。

  • 背包的体积为sum / 2
  • 背包要放入的商品（集合里的元素）重量为 元素的数值，价值也为元素的数值
  • 背包如果正好装满，说明找到了总和为 sum / 2 的子集。
  • 背包中每一个元素是不可重复放入。

动规五部曲分析如下：

1.确定dp数组以及下标的含义

01背包中，dp[j] 表示： 容量为j的背包，所背的物品价值最大可以为dp[j]。

2.确定递推公式

if(j < nums[i]) dp[i][j] = dp[i-1][j];
else dp[i][j] = Math.max(dp[i-1][j],dp[i-1][j-nums[i]]+nums[i]);

3.dp数组初始化

for(int j = nums[0] ; j <= target ; j++) dp[0][j] = nums[0];

这里要考虑nums元素是否非负，如果有负数，则dp[i][0] 要初始化为Integer.MIN_VALUE

dp[0][j]初始化为0

4.遍历顺序

从上到下，从左到右

5.模拟dp数组

代码如下：

class Solution {
    public boolean canPartition(int[] nums) {
        int sum = Arrays.stream(nums).sum();
        if(sum % 2 == 1) return false;
        int target = sum/2;
        //dp[i][j] 考虑前i个数，capacity = j 所能装的最大value
        int[][] dp =  new int[nums.length][target+1];
        for(int j = nums[0] ; j <= target ; j++) dp[0][j] = nums[0];

        for(int i = 1; i < nums.length ; i++){
            for(int j = 1 ; j <= target ; j++){
                if(j < nums[i]) dp[i][j] = dp[i-1][j];
                else dp[i][j] = Math.max(dp[i-1][j],dp[i-1][j-nums[i]]+nums[i]);
            }
        }

        if(dp[nums.length-1][target] == target) return true;
        return false;
    }
}

滚动数组优化，注意初始化、嵌套顺序要求先遍历物品种类、容量倒序遍历：

class Solution {
   public boolean canPartition(int[] nums){
        int sum = Arrays.stream(nums).sum();
        if(sum % 2 == 1) return false;
        int target = sum/2;
        //dp[j]表示容量j下能装入的最大价值
        int[] dp = new int[target+1];
        //初始化
        //遍历
        for(int i = 0; i < nums.length ; i++){
            for(int j = target ; j >= nums[i] ; j--){
                dp[j] = Math.max(dp[j],dp[j-nums[i]]+nums[i]);
            }
        }
        if(dp[target] == target) return true;
        return false;
    }
}

总结

这道题目就是一道01背包应用类的题目，需要我们拆解题目，然后套入01背包的场景。

01背包相对于本题，主要要理解，题目中物品是nums[i]，重量是nums[i]，价值也是nums[i]，背包体积是sum/2。

2.1049.最后一块石头的重量II

本题其实就是尽量让石头分成重量相同的两堆，相撞之后剩下的石头最小，这样就化解成01背包问题了。

本题物品的重量为stones[i]，物品的价值也为stones[i]。

本题的目的是划分两个子集，使这两个子集和 的 差最小，可以转化为动态规划01背包问题。

1.dp数组及下标含义

dp[j]表示容量为j的背包能够装的最大价值，这里价值设定为=重量，也即容量为j的背包能够装的最大重量

2.递推公式

dp[j] = Math.max( dp[j] , dp[j - stones[i] ] + stones[i])

3.初始化

stones[i] > 0 ，初始化0即可

4.遍历顺序

外层物品，内层容量，内层逆序

5.模拟dp

举例，输入：[2,4,1,1]，此时target = (2 + 4 + 1 + 1)/2 = 4 ，dp数组状态图如下：

1049.最后一块石头的重量II

最后dp[target]里是容量为target的背包所能背的最大重量。

那么分成两堆石头，一堆石头的总重量是dp[target]，另一堆就是sum - dp[target]。

在计算target的时候，target = sum / 2 因为是向下取整，所以sum - dp[target] 一定是大于等于dp[target]的。

那么相撞之后剩下的最小石头重量就是 (sum - dp[target]) - dp[target]。

代码如下：

class Solution {
    public int lastStoneWeightII(int[] stones) {
        int sum = Arrays.stream(stones).sum();
        int target = sum/2;
        int[] dp = new int[target+1];
        for(int i = 0; i < stones.length ; i++){
            for(int j = target ; j >= stones[i] ; j--){
                dp[j] = Math.max(dp[j], dp[j-stones[i]]+stones[i]);
            }
        }
        return sum - dp[target] - dp[target];
    }
}

总结

本题其实和416. 分割等和子集几乎是一样的，只是最后对dp[target]的处理方式不同。

416. 分割等和子集 相当于是求背包是否正好装满，而本题是求背包最多能装多少。

3.494.目标和

回溯法，时间复杂度O（2^nums.length）

class Solution {
    int sum = 0;
    int result = 0;
    int[] nums;
    int target = 0;

    public int findTargetSumWays(int[] nums, int target) {
        this.nums = nums;
        this.target = target;
        dfs(0);
        return result;
    }
    
    public void dfs(int startIndex){
        if(startIndex == nums.length){
            if(sum == target){
                result++;
            }
            return ;
        }
        target += nums[startIndex];
        dfs(startIndex+1);
        target -= nums[startIndex];
        
        target-=nums[startIndex];
        dfs(startIndex+1);
        target += nums[startIndex];
        
    }

}

动态规划

本题要如何使表达式结果为target，

既然为target，那么就一定有 left组合 - right组合 = target。

left + right = sum，而sum是固定的。right = sum - left

公式来了， left - (sum - left) = target 推导出 left = (target + sum)/2 。

target是固定的，sum是固定的，left就可以求出来。

此时问题就是在集合nums中找出和为left的组合。

问题转化为，装满容量为x的背包，有几种方法。

注意：

sum + target 为奇数，无解

（C++代码中，输入的S 就是题目描述的 target）
if ((target + sum) % 2 == 1) return 0; // 此时没有方案

同时如果target 的绝对值已经大于sum，无解

if (abs(target) > sum) return 0; // 此时没有方案

动态规划五部曲：

1.dp数组及下标含义：

        dp[j] ：填满容量为j的背包有dp[j]种方法

2.确定递推数组

        确定一个nums[i] , 就有 dp[ j - nums[i] ] 种方法，那么对每一个 nums[i] 累加 dp[j-nums[i]]即可

求组合类问题的公式，都是类似这种：

dp[j] += dp[j - nums[i]]

3.dp数组初始化

or

4.遍历顺序

        先物品种类，再容量，容量逆序

5.模拟dp

输入：nums: [1, 1, 1, 1, 1], target: 3

bagSize = (target + sum) / 2 = (3 + 5) / 2 = 4

dp数组状态变化如下：

当思路不清晰时先用二维数组做：

滚动数组的外层for循环的i代表的是“考虑前i个数字”而不是“考虑第i个数字”

4.474.一和零

本题是二维01背包问题。

特殊的是遍历物品（字符串）的时候，先对字符串进行处理，得到单个物品的重量和体积。要求的是最大子集，因此希望物品越多越好，物品价值均设1.

1.dp数组及下标含义

        dp[i][j][k]：表示考虑前i个字符串，重量为j，体积为k时最多能装入的字符串

2.递推公式

        dp[i][j][k] = Math.max ( dp[i-1][j][k] , dp[i-1][j - zeroNum][ k - oneNum] + 1 )

3.初始化

        第0个物品， 对 j >= zeroNum && k >=oneNum , dp[i][j][k]赋1

4.遍历顺序

        最外层是物品种类，内层是重量和体积

5.dp模拟

代码如下：

class Solution {
    public int findMaxForm(String[] strs, int m, int n) {
        int[][][] dp = new int[strs.length][m+1][n+1];
        int zero = 0 , one = 0;
        for(char c : strs[0].toCharArray()){
            if(c == '0') zero++;
            else one++;
        }
        for(int j = m ; j >= zero ; j--){
            for(int k = n ; k >= one ; k--){
                dp[0][j][k] = 1;
            }
        }
        
        for(int i = 1; i < strs.length ; i++){
            int zeroNum = 0 , oneNum = 0;
            for(char c : strs[i].toCharArray()){
                if(c == '0') zeroNum++;
                else oneNum++;
            }
            for(int j = 0 ; j <= m ; j++){
                for(int k = 0; k <= n ; k++){
                    if(j < zeroNum || k < oneNum) dp[i][j][k] = dp[i-1][j][k];
                    else dp[i][j][k] = Math.max(dp[i-1][j][k], dp[i-1][j-zeroNum][k-oneNum] + 1);
                }
            }
            
        }
        return dp[strs.length-1][m][n];
    }
}

滚动数组优化：

1.dp数组及下标含义：

dp[i][j] : 当前正在遍历的前k种物品中，重量限制为i、体积限制为j的背包最多能够装下多少个物品（字符串）

2.递推公式

dp[i][j] = Math.max(dp[i][j] , dp[i-zereNum][j-oneNum] + 1)

3.初始化

仅考虑第0种物品（第一个元素）, 对dp数组 i >= zeroNum, j >=oneNum的元素赋1（第0种物品的价值）

这之后从第1个物品开始动态规划

or

4.遍历顺序

最外层是物品种类，内层分别是重量和体积，重量和体积均逆序

5.dp模拟

以输入：["10","0001","111001","1","0"]，m = 3，n = 3为例

最后dp数组的状态如下所示：

474.一和零

代码如下：

class Solution {
    public int findMaxForm(String[] strs, int m, int n) {
        int[][] dp = new int[m+1][n+1];
        int zero = 0, one = 0;
        for(char c : strs[0].toCharArray()){
            if(c == '0') zero++;
            else one++;
        }
        for(int i = m ; i >= zero ; i--){
            for(int j = n ; j >= one ; j--){
                dp[i][j] = 1;
            }
        }
        
        for(int k = 1 ; k < strs.length ; k++){
            int zeroNum = 0, oneNum = 0;
            for(char c : strs[k].toCharArray()){
                if(c == '0') zeroNum++;
                else oneNum++;
            }
            for(int i = m ; i >= zeroNum ; i--){
                for(int j = n ; j >= oneNum ; j--){
                    dp[i][j] = Math.max(dp[i][j] , dp[i-zeroNum][j-oneNum]+1);
                }
            }
        }
        return dp[m][n];
    }
}

总结

不少同学刷过这道题，可能没有总结这究竟是什么背包。

此时我们讲解了0-1背包的多种应用，

在代码随想录中所列举的题目，都是 0-1背包不同维度上的应用。

Renas_TJOvO
关注
  • 9
    点赞
  • 踩
  • 19
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
代码随想录 刷题记录-19 动态规划（3）完全背包理论、习题
Renas_TJOvO的博客
08-28 699
本周的主题其实就是背包问题中的遍历顺序！我这里做一下总结：动态规划：518.零钱兑换II (opens new window)动态规划：377. 组合总和 Ⅳ (opens new window)动态规划：70. 爬楼梯进阶版（完全背包） (opens new window)动态规划：322. 零钱兑换 (opens new window)动态规划：279.完全平方数(opens new window)此时我们就已经把完全背包的遍历顺序研究的透透的了！5.139.单词拆分可以使用回溯法，会时间超限。
代码随想录刷题｜一刷总结
东东唯一指定铲屎官
04-21 1492
成果汇报经验总结为什么要刷题未来计划以及附件资源，里面有所有pdf，需要自取。我会在末尾放上pdf，点击思维导图的右上角的【箭头】可以直接跳转到leetcode，提供一键跳转方便复习。
代码随想录刷题笔记（个人记录使用，不作参考）
清风的博客
01-11 640
1.10从二叉树开始。
代码随想录+力扣刷题记录+华为机考准备记录
LiangManqi0320的博客
05-16 1118
为了准备华为机考的刷题记录（不全）（已挂，春招再战）为了准备华为机考的刷题记录（不全）（已挂，春招再战）
刷题1--动态规划
zhaojiazb的博客
04-18 284
动态规划
动态规划 | 完全背包问题 | 组合数、排列数 | leecode刷题笔记
qq_44250700的博客
08-19 1205
跟随carl代码随想录刷题 语言：python。
代码随想录算法训练营第41天：动态规划开始
2302_79934729的博客
06-12 727
动态规划，英文：Dynamic Programming，简称DP，如果某一问题有很多重叠子问题，使用动态规划是最有效的。所以动态规划中每一个状态一定是由上一个状态推导出来的，这一点就区分于贪心，贪心没有状态推导，而是从局部直接选最优的，在关于贪心算法，你该了解这些！​**** 中我举了一个背包问题的例子。例如：有N件物品和一个最多能背重量为W 的背包。第i件物品的重量是weight[i]，得到的价值是value[i]。每件物品只能用一次，求解将哪些物品装入背包里物品价值总和最大。
LeetCode练习八：动态规划下：背包问题
qq_56591814的博客
03-28 1374
文章目录一、背包问题简介二、 0-1 背包问题2.1 二维dp解法2.1.1 第一行表示第一个物品2.1.2 第一行表示0个物品2.2 一维dp解法2.2.1 使用两个一维数组2.2.2 使用一个一维数组2.3 0-1背包应用2.3.1 分割等和子集（最大背包价值）2.3.1.1 二维dp数组2.3.1.2 一维dp数组2.3.2 目标和（装满背包的方式）2.3.2.1 记忆化搜索2.3.2.2 二维dp数组2.3.2.3 一维数组2.3.3 最后一块石头的重量 II （最大背包价值）2.3.3.1 二
算法刷题总结 (四) 动态规划
UK - UofL HW - SDE
03-15 3753
动态规划，英文：Dynamic Programming，简称DP，如果某一问题有很多重叠子问题，使用动态规划是最有效的。 动态规划中每一个状态一定是由上一个状态推导出来的。而贪心算法不同，贪心没有状态推导，而是从局部直接选最优的。 动态规划问题，将被拆解为如下五步： 1. 确定dp数组（dp table）以及下标的含义 2. 确定递推公式 3. dp数组如何初始化 4. 确定遍历顺序 5. 举例推导dp数组
代码随想录+刷题笔记记录
03-22
本文主要介绍代码随想录的刷题笔记记录，方便读者更好地利用该网站进行学习。 ## 刷题笔记记录的作用 刷题笔记记录是代码随想录提供的一个功能，用于记录用户在刷题过程中的解题思路和方法。它可以帮助用户更好地...
代码随想录 动态规划、回溯、递归、二叉树、贪心
12-25
在《代码随想录》中，可能会涵盖如斐波那契数列、背包问题、最长公共子序列等经典动态规划题目。理解动态规划的关键在于构建状态转移方程和找到正确的状态定义。 回溯（Backtracking）是一种试探性的解决问题方法，...
代码随想录-大厂八股文-面试
04-25
"代码随想录-大厂八股文-面试" 从标题和描述中，我们可以看出这篇文章主要讲述的是代码随想录的大厂八股文面试相关知识点。下面将对这些知识点进行详细的解释和总结。 首先，代码随想录是一种常用的编程技巧，旨在...
代码随想录-力扣刷题-总结笔记01
upward
02-27 1036
代码随想录-力扣刷题-总结笔记01
Leetcode42接雨水（单调栈）
AGNING的博客
08-28 390
维护一个栈，满足从栈底到栈顶元素大小递减。如果当前元素高于栈顶，且栈内有至少2个元素，则形成了一个凹槽，及一个图中横着的红色矩形，将它的面积累加即可，第一次写难在维护单调栈中计算面积和。求出前缀最大和后缀最大，用两者较小值减去当前高度，累加即可，这个思路容易想到，这里不赘述。
递归、搜索与回溯算法
无聊_人的博客
08-29 3765
所谓的递归其实就是函数自己调用自己的情况。
代码随想录算法训练营第62天|Floyd 算法精讲、A * 算法精讲 （A star算法）
Yinems的博客
08-28 1261
分两种情况，一种是节点 i 到节点 j 的最短路径经过节点 k，grid[i][j][k] = grid[i][k][k-1] + grid[k][j][k-1]；另一种情况，节点 i 到节点 j 的最短路径不经过节点 k，grid[i][j][k] = grip[i][j][k-1]；刚开始初始化 k 是不确定的，如果赋值为1，那么不能知道节点 i 到节点 j 经过1个节点的最短距离，所以只能把 k 赋值为0，本题中节点0是无意义的，节点是从1到n。本题求的是最小值，所以其余值初始化为最大值。
57. 插入区间【 力扣(LeetCode) 】
yyh520025的博客
08-29 4109
给你一个 无重叠的 ，按照区间起始端点排序的区间列表 intervals，其中 intervals[i] = [starti, endi] 表示第 i 个区间的开始和结束，并且 intervals 按照 starti 升序排列。同样给定一个区间 newInterval = [start, end] 表示另一个区间的开始和结束。在 intervals 中插入区间 newInterval，使得 intervals 依然按照 starti 升序排列，且区间之间不重叠（如果有必要的话，可以合并区间）。
精选算法编程题
最新发布
A18937260063的博客
08-30 323
数组编程
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值