代码随想录算法训练营第43天 | 1049.最后一块石头的重量II ，494.目标和，474.一和零

Aaron_Yang.

已于 2024-03-18 15:38:26 修改

阅读量881

点赞数 27

分类专栏：代码随想录算法训练营文章标签：算法

于 2024-03-18 15:21:57 首次发布

本文链接：https://blog.csdn.net/captain_aaron/article/details/136809075

版权

代码随想录算法训练营专栏收录该内容

51 篇文章 0 订阅

订阅专栏

动态规划章节理论基础：

https://programmercarl.com/%E5%8A%A8%E6%80%81%E8%A7%84%E5%88%92%E7%90%86%E8%AE%BA%E5%9F%BA%E7%A1%80.html

1049.最后一块石头的重量II

题目链接：https://leetcode.cn/problems/last-stone-weight-ii/

思路：

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，和昨天的416.分割等和子集非常像。
本题物品的重量为stones[i]，物品的价值也为stones[i]。对应着01背包里的物品重量weight[i]和物品价值value[i]。

动规五部曲：
（1）确定dp数组以及下标含义
dp[j]表示容量（这里说容量更形象，其实就是重量）为j的背包，最多可以背最大重量为dp[j]。

（2）确定递归公式
01背包的递推公式为：dp[j] = max(dp[j], dp[j - weight[i]] + value[i]);

本题则是：dp[j] = max(dp[j], dp[j - stones[i]] + stones[i]);

（3）dp数组初始化
dp[j]中的j表示容量，那么最大容量（重量）是多少呢，就是所有石头的重量和。

可以把石头遍历一遍，计算出石头总重量然后除2，得到dp数组的大小。

（4）确定遍历顺序
如果使用一维dp数组，物品遍历的for循环放在外层，遍历背包的for循环放在内层，且内层for循环倒序遍历。

（5）举例推导dp数组
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：
在这里插入图片描述
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：

class Solution {
    public int lastStoneWeightII(int[] stones) {
        int sum = 0;
        for(int i:stones)
            sum += i;
        // 把石头分成两堆
        int target = sum >> 1;
        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]);
        }
        // 一堆是dp[target] , 那么另一堆一定是sum - dp[target]
        // 同时target是向下取整的，因此 sum - dp[target] 一定大于 dp[target]
        return (sum-dp[target]) - dp[target];

        
    }
}

494.目标和

题目链接：https://leetcode.cn/problems/target-sum/

思路：

这道题目咋眼一看和动态规划背包啥的也没啥关系。

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。（核心）

这里的left，就是bagSize，也就是我们后面要求的背包容量。

同时，看到(target + sum) / 2 应该担心计算的过程中向下取整有没有影响。

这么担心就对了，例如sum 是5，S是2的话其实就是无解的，所以：

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，那么也是没有方案的。

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

因为每个物品（题目中的1）只用一次，所以是一个01背包问题。这次和之前遇到的背包问题不一样了，之前都是求容量为j的背包，最多能装多少。
本题则是装满有几种方法。其实这就是一个组合问题了。

动规五部曲：
（1）确定dp数组以及下标含义
dp[j] 表示：填满j（包括j）这么大容积的包，有dp[j]种方法

（2）确定递归公式
只要搞到nums[i]，凑成dp[j]就有dp[j - nums[i]] 种方法。

例如：dp[j]，j 为5，

已经有一个1（nums[i]）的话，有 dp[4]种方法凑成容量为5的背包。
已经有一个2（nums[i]）的话，有 dp[3]种方法凑成容量为5的背包。
已经有一个3（nums[i]）的话，有 dp[2]中方法凑成容量为5的背包
已经有一个4（nums[i]）的话，有 dp[1]中方法凑成容量为5的背包
已经有一个5 （nums[i]）的话，有 dp[0]中方法凑成容量为5的背包

那么凑整dp[5]有多少方法呢，也就是把所有的 dp[j - nums[i]] 累加起来。

所以求组合类问题的公式，都是类似这种：

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

这个公式非常重要，会反复用到！

（3）dp数组初始化
从递推公式可以看出，在初始化的时候dp[0] 一定要初始化为1，因为dp[0]是在公式中一切递推结果的起源，如果dp[0]是0的话，递推结果将都是0。

所以本题我们应该初始化 dp[0] 为 1。

（4）确定遍历顺序
对于01背包问题一维dp的遍历，nums放在外循环，target在内循环，且内循环倒序。

（5）举例推导dp数组
输入：nums: [1, 1, 1, 1, 1], S: 3

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

dp数组状态变化如下：
在这里插入图片描述

代码：

class Solution {
    public int findTargetSumWays(int[] nums, int target) {
        // left 代表所有取正数的元素  right 代表所有取负数的元素
        // left - right = target && left + right = sum
        // right + target = sum - right = left
        // 2 * left = sum + target =>  left = (sum + target) /2
        int sum = 0;
        for(int i:nums)
            sum += i;
        if(Math.abs(target) > sum || (target + sum) % 2 != 0 ) return 0;
        int left = (sum + target) >> 1;
        // 本题的关键就在于在nums找出和为left的组合
        int[] dp = new int[left+1];
        // 如果不初始化的话，dp累加就会一直为0
        dp[0] = 1;
        for(int i=0; i<nums.length;i++){
            for(int j=left;j>=nums[i];j--)
                // dp[j] 代表数组中若干个元素组合成和为j的方案数
                // 已经有一个1（nums[i]） 的话，有 dp[4]种方法凑成容量为5的背包。
                // 同理 1 ~ 5
                //dp[5] = dp[0] + ... + dp[5] 
                dp[j] = dp[j] + dp[j-nums[i]];
        }
        return dp[left];
    }
}

474.一和零

题目链接：https://leetcode.cn/problems/ones-and-zeroes/description/

思路：

把总共的 0 和 1 的个数视为背包的容量，每一个字符串视为装进背包的物品。这道题就可以使用 0-1 背包问题的思路完成，这里的目标值是能放进背包的字符串的数量。

动规五部曲：
（1）确定dp数组以及下标含义
dp[i][j][k] 表示输入字符串在子区间 [0, i] 能够使用 j 个 0 和 k 个 1 的字符串的最大数量。

（2）确定递归公式

dp[i-1][j][k] 不选择当前考虑的字符串，至少是这个数值
dp[i-1][j-当前字符串使用0的个数][k-当前字符串使用1的个数] 选择当前考虑的字符串

（3）dp数组初始化
为了避免分类讨论，通常多设置一行。这里可以认为，第 00个字符串是空串。第 0 行默认初始化为 0。

（4）确定遍历顺序
常规遍历顺序

（5）举例推导dp数组
略

代码：

class Solution {
    public int findMaxForm(String[] strs, int m, int n) {
        int len = strs.length;
        int[][][] dp = new int[len+1][m+1][n+1];
        for(int i = 1; i<=len;i++){
            // 计算0和1的数量
            int zeroNum = 0, oneNum = 0;
            for (char ch : strs[i-1].toCharArray()) {
                if (ch == '0') {
                    zeroNum++;
                } else {
                    oneNum++;
                }
            }
            for(int j=0; j<= m; j++){
                for(int k=0; k<=n ;k++){
                    // 先保存上一步结果
                    dp[i][j][k] = dp[i-1][j][k];
                    if(j>= zeroNum && k>= oneNum){
                        dp[i][j][k] = Math.max(dp[i-1][j][k],dp[i-1][j-zeroNum][k-oneNum]+1);
                    }
                }
            }
        }
        return dp[len][m][n];
    }
}

思考优化空间，因为当前行只参考了上一行的值，因此可以使用「滚动数组」，也可以「从后向前赋值」。

class Solution {
    public int findMaxForm(String[] strs, int m, int n) {
        // 动规五部曲
        // 1.确定dp含义
        // dp[i][j] 最多有i个0 和 j个1的strs的最大子集的大小为dp[i][j]
        // 2.确定递推公式
        // dp[i][j]可以由前一个strs里的字符串推导出来，当前strs里的字符串有zeroNum个0，oneNum个1
        // dp[i][j] = dp[i-zeroNum][j-oneNum]+1
        int len = strs.length;
        // int[][][] dp = new int[len+1][m+1][n+1];
        int[][] dp = new int[m + 1][n + 1];
        // 计算0和1的数量
        for (String str : strs) {
            int zeroNum = 0, oneNum = 0;
            for (char ch : str.toCharArray()) {
                if (ch == '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);
                }
            }
        }
        // for(int i = 1; i<=len;i++){
        // // 计算0和1的数量
        // int zeroNum = 0, oneNum = 0;
        // for (char ch : strs[i-1].toCharArray()) {
        // if (ch == '0') {
        // zeroNum++;
        // } else {
        // oneNum++;
        // }
        // }
        // for(int j=0; j<= m; j++){
        // for(int k=0; k<=n ;k++){
        // // 先保存上一步结果
        // dp[i][j][k] = dp[i-1][j][k];
        // if(j>= zeroNum && k>= oneNum){
        // dp[i][j][k] = Math.max(dp[i-1][j][k],dp[i-1][j-zeroNum][k-oneNum]+1);
        // }
        // }
        // }
        // }
        // return dp[len][m][n];

        return dp[m][n];
    }
}