1. 经典“01背包”
经典的“01背包”问题描述如下:有 N 件物品和一个最多能被重量为 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。
动归五部曲分析一下:
- 确定
dp
数组及下标的含义
dp[j]
表示背包容量为j
时,能获得的最大价值。(这里直接省略二维数组直接进行一维数组的讲解)
- 确定递推公式
- 根据第一步
dp
数组的定义可知,当我们遍历到第i
个物品时,可以选择将第i
个物品装入背包,也可以选择不装,这两种情况分别所对应的最大价值如下:- 装入:
dp[j] = dp[j - weight[i]] + value[i]
—— 如果装入第i
个物品,则在装入之前需要背包先空出第i
个物品的容量weight[i]
,此时背包所获的的最大价值为dp[j - weight[i]]
,然后再加上第i
个物品的价值value[i]
- 不装:
dp[j] = dp[j]
—— 如果不装入第i
个物品,就用除第i
个物品之外的其它物品填满容量为j
的背包,此时的最大价值就是dp[j]
- 装入:
- 最终
dp[j]
取装入或者不装入第i
个物品所获得的价值中最大的那个,即dp[j] = max(dp[j], dp[j - weight[i]] + value[i])
- 初始化
- 初始化是严格按照
dp
数组的定义来的,当j
为0时,背包的容量为0,所能获取的最大价值dp[j]
也是0
- 确定遍历顺序
- 为了方便理解,也为了与 “01背包” 物品只能取一次的限定吻合,我们外层遍历物品,内层倒序遍历背包容量 。这里为什么要倒序遍历背包容量呢?由递推公式
dp[j] = max(dp[j], dp[j - weight[i]] + value[i])
可知,我们在计算大容量dp[j]
时,需要用到小容量dp[j - weight[i]]
的值,如果在更新大容量之前改变了小容量的值,那么最终的大容量肯定也会受影响,所以我们选择将容量从大到小遍历。
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]);
}
}
- 举例推导
dp
数组
假如背包的容量为4,物品的重量和价值如下表:
物品 | 重量 | 价值 |
---|---|---|
物品0 | 1 | 15 |
物品1 | 3 | 20 |
物品2 | 4 | 30 |
整体代码示例:
public static void testWeightBagProblem(int[] weight, int[] value, int bagWeight){
int wLen = weight.length;
//定义dp数组:dp[j]表示背包容量为j时,能获得的最大价值
int[] dp = new int[bagWeight + 1];
//遍历顺序:先遍历物品,再遍历背包容量
for (int i = 0; i < wLen; i++){
for (int j = bagWeight; j >= weight[i]; j--){
dp[j] = Math.max(dp[j], dp[j - weight[i]] + value[i]);
}
}
//打印dp数组
for (int j = 0; j <= bagWeight; j++){
System.out.print(dp[j] + " ");
}
}
2. “01背包”方法归纳
其实“01背包”问题最难的是将原问题转化到“01背包”这个模型上来,然后再按照“01背包”的套路进行解题。一般遇到以下问题,优先考虑“01背包”:一堆东西(一组数),按照一定的方式进行组合、处理,能否凑成某种最值状态,或者凑成某种状态的方法数。
通用的动归5部曲:
dp
数组的定义:int[] dp = new int[bagSize];
dp[j]
递推公式:- 如果求背包能装的最大重量:
dp[j] = Math.max(dp[j], dp[j - nums[i]]);
- 如果求装满容量为 j 的背包的方法数:
dp[j] = dp[j] + dp[j - nums[i]];
- 如果求背包能装的最大重量:
dp
数组初始化,按照dp
数组的定义对一些边界值进行初始化- 遍历顺序:物品正序,背包倒序(防止物品多次放入)
- 举例推导
dp
数组,验证前四步的正确性
3. 实战
3.1 分割等和子集
LeetCode链接:416. 分割等和子集
给你一个 只包含正整数的非空数组 nums 。请你判断是否可以将这个数组分割成两个子集,使得两个子集的元素和相等。
示例 1:
输入:nums = [1,5,11,5]
输出:true
解释:数组可以分割成 [1, 5, 5] 和 [11] 。
示例 2:
输入:nums = [1,2,3,5]
输出:false
解释:数组不能分割成两个元素和相等的子集。
提示:
1 <= nums.length <= 200
1 <= nums[i] <= 100
- 思路:假设原数组内数字总和为 sum,若分成两个子集的元素和相等,则每个子集和为 sum / 2,该问题转化为“是否能从非空数组 nums 中选出一些数,这些数的和能够达到sum / 2 “。这就有点”01背包“内味了,我们想想背包问题的原意是求背包能装的最大价值,那转化到这道题上,如果组成子集的元素和最大为sum / 2 是不是也可以呢?当然可以!那就按照动归五步曲来了:
- 定义
dp
数组:dp[j]
表示容量为j
的子集,和最大为dp[j]
。 - 递推公式:
dp[j] = max(dp[j], dp[j - nums[i]] + nums[i])
假设当子集的容量为 j 时,此时遍历到数组的第 i 个数,那我们有两种选择:- 第一个选择:将第 i 个数字加入子集:此时能得到的最大和等于容量为 j - nums[i] 的子集能获得的最大价值加上 第 i 个数字的价值,即
dp[j - nums[i]] + nums[i]
- 第二个选择:不将第 i 个数字加入子集:保持现有的最大和
dp[j]
(可以想象成物品太大,无法装入背包,背包内的价值保持原样) - 综合上述两种情况,则
dp[j] = max(dp[j], dp[j - nums[i]] + nums[i])
- 第一个选择:将第 i 个数字加入子集:此时能得到的最大和等于容量为 j - nums[i] 的子集能获得的最大价值加上 第 i 个数字的价值,即
- 确定初始值:初始化的时候一定要从 dp 数组的定义出发,选择一些不能通过递推公式得到或者递推公式所依赖的那些值(边界值)进行初始化。比如该题中,当子集容量为0的时候,子集内元素最大和也为0,即
dp[0] = 0
- 确定递推顺序:由于我们已经降维成一维数组,所以子集容量需要从大到小遍历,防止上一层的
dp[j - nums[i]]
被修改。这里想不明白的同学,建议手动画下递推数组。 - 举例推导
dp
数组
- 代码如下:
public boolean canPartition(int[] nums) {
int sum = 0;
for (Integer num : nums) {
sum += num;
}
// 和为奇数,不能分为两个和一样的子集
if ((sum & 1) == 1) return false;
int target = sum / 2;
// dp[j] 容量为j的子集所能凑成的最大和
int[] dp = new int[target + 1];
// 数组中的数字一个一个填,背包一点一点扩大
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]);
// 找到结果提前返回
if (dp[target] == target) return true;
}
}
return false;
}
3.2 最后一块石头的重量 II
LeetCode链接:1049. 最后一块石头的重量 II
有一堆石头,用整数数组 stones 表示。其中 stones[i] 表示第 i 块石头的重量。
每一回合,从中选出任意两块石头,然后将它们一起粉碎。假设石头的重量分别为 x 和 y,且 x <= y。那么粉碎的可能结果如下:
如果 x == y,那么两块石头都会被完全粉碎;
如果 x != y,那么重量为 x 的石头将会完全粉碎,而重量为 y 的石头新重量为 y-x。
最后,最多只会剩下一块 石头。返回此石头 最小的可能重量 。如果没有石头剩下,就返回 0。
- 思路:题目说的是从一堆石头中每次拿出两颗进行碰撞(碰撞完剩余 |x-y| 的重量),直至最终剩余的石头重量最小。那我们是否可以将这一堆石头分成重量尽可能相等的两堆,然后直接拿这两堆石头进行碰撞,效果是不是和每次只拿两块石头碰撞一样?答案是肯定的!所以问题就转化为求石头能分为尽可能相等的两堆的重量,我们索性就用容量为 sum / 2 的背包去装石头,看最多能装多少,那么剩余的石头与背包内的石头相碰撞,剩余的重量就为最少。看,我们又把问题转化为 “0-1 背包” 问题了。动归五部曲如下:
- 定义
dp
数组:dp[j]
表示容量为j
的背包,能装的石头最重的重量为dp[j]
。 - 递推公式:
dp[j] = max(dp[j], dp[j - nums[i]] + nums[i])
假设当背包的容量为 j 时,此时遍历到石头堆的第 i 个石头,我们有两种选择:- 第一个选择:将第 i 个石头加入背包:此时能得到的最大重量等于容量为 j - nums[i] 的背包能获得的最大重量加上 第 i 个石头的重量,即
dp[j - nums[i]] + nums[i]
- 第二个选择:不将第 i 个石头加入背包:保持现有的最大重量
dp[j]
(可以想象成石头太重,无法装入背包,背包内的重量保持原样) - 综合上述两种情况,则
dp[j] = max(dp[j], dp[j - nums[i]] + nums[i])
- 第一个选择:将第 i 个石头加入背包:此时能得到的最大重量等于容量为 j - nums[i] 的背包能获得的最大重量加上 第 i 个石头的重量,即
- 确定初始值:初始化的时候一定要从 dp 数组的定义出发,选择一些不能通过递推公式得到或者递推公式所依赖的那些值(边界值)进行初始化。比如该题中,当背包容量为0的时候,背包内最终重量也为0,即
dp[0] = 0
- 确定递推顺序:由于我们已经降维成一维数组,所以背包容量需要从大到小遍历,防止上一层的
dp[j - nums[i]]
被修改。这里想不明白的同学,建议手动画下递推数组。 - 举例推导
dp
数组
- 代码
class Solution {
public int lastStoneWeightII(int[] stones) {
// 两堆石头尽可能同样重,这样碰撞之后剩余的重量才会尽可能小
if (stones == null || stones.length == 0) {
throw new IllegalArgumentException();
}
int sum = Arrays.stream(stones).sum();
int target = sum / 2;
// dp[j] 表示容量为 j 的背包能装的最大石头重量
// dp[j] = Math.max(dp[j], dp[j - stones[i]] + stones[i])
int[] dp = new int[target + 1];
// dp[0] = 0;
for (int stone : stones) {
for (int j = target; j >= stone; j--) {
dp[j] = Math.max(dp[j], dp[j - stone] + stone);
}
}
// 最终一堆石头的重量为 dp[target],另一堆石头的重量为 sum - dp[target],它们碰撞完剩余的重量为 sum - dp[target] * 2
return sum - (dp[target] << 1);
}
}
- 时间复杂度:O(N * Sum)
- 空间复杂度:O(Sum)
3.3 目标和
LeetCode链接:494. 目标和
给你一个整数数组 nums 和一个整数 target 。
向数组中的每个整数前添加 ‘+’ 或 ‘-’ ,然后串联起所有整数,可以构造一个 表达式 :
例如,nums = [2, 1] ,可以在 2 之前添加 ‘+’ ,在 1 之前添加 ‘-’ ,然后串联起来得到表达式 “+2-1” 。返回可以通过上述方法构造的、运算结果等于 target 的不同 表达式 的数目。
示例 1:
输入:nums = [1,1,1,1,1], target = 3
输出:5
解释:一共有 5 种方法让最终目标和为 3 。
-1 + 1 + 1 + 1 + 1 = 3
+1 - 1 + 1 + 1 + 1 = 3
+1 + 1 - 1 + 1 + 1 = 3
+1 + 1 + 1 - 1 + 1 = 3
+1 + 1 + 1 + 1 - 1 = 3
示例 2:
输入:nums = [1], target = 1
输出:1
提示:
1 <= nums.length <= 20
0 <= nums[i] <= 1000
0 <= sum(nums[i]) <= 1000
-1000 <= target <= 1000
3.4 一和零
LeetCode链接:474. 一和零
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 。
提示:
1 <= strs.length <= 600
1 <= strs[i].length <= 100
strs[i] 仅由 ‘0’ 和 ‘1’ 组成
1 <= m, n <= 100
3.5 盈利计划
LeetCode链接:879. 盈利计划
集团里有 n 名员工,他们可以完成各种各样的工作创造利润。
第 i 种工作会产生 profit[i] 的利润,它要求 group[i] 名成员共同参与。如果成员参与了其中一项工作,就不能参与另一项工作。
工作的任何至少产生 minProfit 利润的子集称为 盈利计划 。并且工作的成员总数最多为 n 。
有多少种计划可以选择?因为答案很大,所以 返回结果模 10^9 + 7 的值。
示例 1:
输入:n = 5, minProfit = 3, group = [2,2], profit = [2,3]
输出:2
解释:至少产生 3 的利润,该集团可以完成工作 0 和工作 1 ,或仅完成工作 1 。
总的来说,有两种计划。
示例 2:
输入:n = 10, minProfit = 5, group = [2,3,5], profit = [6,7,8]
输出:7
解释:至少产生 5 的利润,只要完成其中一种工作就行,所以该集团可以完成任何工作。
有 7 种可能的计划:(0),(1),(2),(0,1),(0,2),(1,2),以及 (0,1,2) 。
提示:
1 <= n <= 100
0 <= minProfit <= 100
1 <= group.length <= 100
1 <= group[i] <= 100
profit.length == group.length
0 <= profit[i] <= 100