本文内容参考了代码随想录,并进行了自己的总结。
01 背包
这篇文章先总结01背包,完全背包见下一篇文章。
关键点
- 每件物品只有两种状态:不选、选 1 件
代码
int N, W; // N件物品,容量为W
int w[N], v[N]; // w为大小,v为容量
/* 数组定义 */
int[][] dp = new int[N][W + 1]; // 注意是W + 1, 因为重量会取到W
dp[i][j]; // 从下标为[0, i]的物品中选若干件物品(注意是若干件,不是全部),放入大小为j的容器时的最大价值
/* 递推公式 */
// 由于每件物品有选、不选两种状态,所以两种状态取最大值即可
// 比如,对于dp[i][j]来说,
// 如果不选下标为i的物品,那么价值 = dp[i - 1][j];
// 如果选下标为i的物品,那么价值 = dp[i - 1][j - w[i]] + v[i]
// 两种状态取max
dp[i][j] = Math.max(dp[i - 1][j], dp[i - 1][j - w[i]] + v[i]);
/* 初始化 */
// 从递推公式可以看出来,会存在dp[0][j]、dp[i][0]
// 对于dp[0][j]来说,回到数组定义,即选择下标为0的物品,放入大小为j的容器时的最大价值
// 这里又分两种情况,下标为0的物品的大小w[0]比j大,即放不进去,那么dp[0][j]=0;w[0]比j小,即放的进去,那么dp[0][j]=v[0]
// 对于dp[i][0]来说,回到数组定义,即从下标为[0, i]的物品中选若干件物品,放入大小为0的容器时的最大价值
// 显然dp[i][0] = 0
for(int i = 0; i < N; i ++ ) dp[i][0] = 0;
for(int j = 0; j <= W; j ++ ) {
if (j >= w[0]) dp[0][j] = v[0];
else dp[0][j] = 0;
}
/* 求解 */
// 先遍历物品、再遍历大小
// 由于dp[0]j]已经初始化过了,所以从第1件物品开始循环
// 由于dp[i][0]已经初始化过了,所以从重量为1开始循环
for(int i = 1; i < N; i ++ )
for(int j = 1; j <= W; j ++ ) {
if (j < w[i]) dp[i][j] = dp[i - 1][j];
else dp[i][j] = Math.max(dp[i - 1][j], dp[i - 1][j - w[i]] + v[i];
}
/* 输出答案 */
// dp[N - 1][W]: 即从[0, N-1]中选若干件物品,放入大小为W的容器时的最大价值
return dp[N - 1][W];
时间复杂度:O(NW)
空间复杂度:O(NW)
优化:滚动数组,二维空间 -> 一维空间
递推公式
滚动数组思想:
回到递推公式:
d
p
[
i
]
[
j
]
=
M
a
t
h
.
m
a
x
(
d
p
[
i
−
1
]
[
j
]
,
d
p
[
i
−
1
]
[
j
−
w
[
i
]
]
+
v
[
i
]
)
dp[i][j]=Math.max(dp[i-1][j],dp[i-1][j-w[i]]+v[i])
dp[i][j]=Math.max(dp[i−1][j],dp[i−1][j−w[i]]+v[i])
可以看出,第一维只用到了相邻两层的一个状态,没有第三个状态了。那实际上这个维度就可以去掉了,相当于用一个变量表示两个状态,赋值前就是上一层的状态,赋值后就是下一层的状态!
所以递推公式变成:
d
p
[
j
]
=
M
a
t
h
.
m
a
x
(
d
p
[
j
]
,
d
p
[
j
−
w
[
i
]
]
+
v
[
i
]
)
dp[j]=Math.max(dp[j],dp[j-w[i]]+v[i])
dp[j]=Math.max(dp[j],dp[j−w[i]]+v[i])
容量 W 遍历方向
对于遍历方向也需要改。如下图所示:
可以看出,后面的状态是用到了前面的状态的。如果还是像二维一样从左往右遍历的话,会出现这种情况:dp[j-w[i]] 被物品 i 更新了,dp[j] 也被物品 i 更新了。由于 dp[j] 是由 dp[j-w[i]] 更新过来的,相当于在重量为 j 的容器里放了两次物品 i,这和 01 背包的题目含义就冲突了:每件物品只有选和不选两种状态。
所以就要保证 dp[j] 用到的 dp[j-w[i]] 是没有被更新过的。方法也容易,反过来遍历就可以了。
初始化
一维的初始化实际上就是初始化一个物品都没用到时的价值。显然,对于任何重量的容器,不放物品,价值就是 0。初始化代码:
for(int j = 0; j <= W; j ++ ) dp[j] = 0;
容量 W 和物品 N 的遍历顺序
对于二维的形式,两种遍历方式都可以,因为不管怎么样,dp[i][j] 都是被左上角的状态更新的,所以先更新左上角的哪一个,实际上都一样。但是对于一维的形式,情况就不一样了。详细看一下两种方法的遍历的含义:
- 先遍历容量 W,再遍历物品 N:(×)
for(int j = W; j >=0; j -- )
for(int i = 0; i < N; i ++ ) {
if (j >= w[i]) dp[j] = Math.max(dp[j], dp[j - w[i]] + v[i]);
}
这种方法,相当于是对于同一个重量 j,从 N 个物品中选 1 个,看哪个价值最大。那最后 dp[W] 表示的就是从 N 个物品中选 1 个物品时的最大价值,这显然与 01 背包的题目含义冲突了:从 N 个物品中选若干个物品时(每个物品只选一次)的最大价值。
进一步分析,为什么这种方法每次都只会用到一个物品?因为每次递推用到的 dp[j-w[i]] 都是 0,因为 j 是从大到小遍历的,递推公式相当于变成了 dp[j]=Math.max(dp[j], v[i]),那不就是 N 个物品取最大值吗?所以也进一步加深了对一维递推公式的理解:要利用一维的递推,dp[j-w[i]] 一定要叠加了前面选了物品的状态。
- 先遍历物品 N,再遍历容量 W:(√)
for(int i = 0; i < N; i ++ )
for(int j = W; j >=0; j -- ) {
if (j >= w[i]) dp[j] = Math.max(dp[j], dp[j - w[i]] + v[i]);
}
这种方法,是先考虑前面物品的使用情况,放到 dp 中去,然后再开始考虑下一件物品。所以这种方法中,dp[j - w[i]] 是叠加了前面选了若干件物品之后的状态的。
因此,应该选择第二种遍历顺序。
时空复杂度
时间复杂度:O(NW)
空间复杂度:O(W),空间上比二维少了一个数量级
完整代码
int N, W; // N件物品,容量为W
int w[N], v[N]; // w为大小,v为容量
/* 数组定义 */
int[] dp = new int[W + 1]; // 注意是W + 1, 因为重量会取到W
dp[j]; // 大小为j的容器时的最大价值
/* 递推公式 */
dp[j] = Math.max(dp[j], dp[j - w[i]] + v[i]);
/* 初始化 */
for(int j = 0; j <= W; j ++ ) dp[j] = 0;
/* 求解 */
// 每迭代一次i,dp就多叠加了一件物品的状态
for(int i = 0; i < N; i ++ )
for(int j = W; j >= 0; j -- ) {
if (j >= w[i]) dp[j] = Math.max(dp[j], dp[j - w[i]] + v[i]);
}
/* 输出答案 */
// dp[W]: 大小为W的容器时的最大价值
return dp[W];
题目
问能装的最大容量,或者问能不能装满的这种题目,属性既是重量又是价值。
下面是代码随想录中,01背包问题的总结。
题目 | 问题转换 | 属性拆解 |
---|---|---|
416. 分割等和子集 01 背包 求最大容量 | 选一堆数出来,让它们的和等于 sum / 2。 将若干个数放入大小为sum / 2的背包,问背包是否能装满?进一步,问背包能装的最大容量是否和背包容量相同? | 背包容量:sum / 2。 物品体积:由于是选若干个数出来让他们的和等于 sum /2,所以物品的大小(体积)就是数的数值大小。 物品价值:这一题没有价值这个维度,只是问背包能装的最大容量。那其实就可以把数值大小看成价值。能不能装满,其实就是最后的最大价值和背包容量是否相等。 物品数量:每个数字只能选择一次。 |
1049. 最后一块石头的重量 II 01 背包 求最大容量 | 将石头分成尽可能重量相等的两堆,这样他们之间两两粉碎,就可以使得重量差值最小,所以最后剩下的石头重量也就最小。 将若干个数放入容量为 sum / 2 下取整的背包中,问总重量 - 能放的最大重量为多少? | 背包容量:sum / 2。 物品体积:由于是选若干个数出来让他们的和等于 sum /2,所以物品的大小(体积)就是数的数值大小物品体积:石头重量就是体积。 这一题没有价值这个维度,只是问背包能装的最大容量。那其实就可以把石头重量看成价值。 物品数量:每个石头只能选择一次。 |
494. 目标和 01 背包,二维背包,求最大容量 | 假设加的和为x(绝对值),则减的和为sum - x,则加 - 减 = target => x - (sum - x) = target => x = (target + sum) / 2。所以,即在n个数中,选若干个数,和为(target + sum) / 2的方案数。 在n个数中,选若干个数,放入大小为(target + sum) / 2的背包,问放满有几种方案? 前提条件: ● target + sum是偶数,否则无解 ● abs(target) <= sum,否则无解 | 背包容量:(target + sum) / 2。 物品体积:数值大小就是体积。 物品价值:这一题没有价值这个维度,只是问背包放满有几种方案。 物品数量:每个数字只能选择一次。 |
474. 一和零 01 背包 恰好装满,求方案数 | 这题我认为比较隐蔽,不太能看出来是背包问题。这种题目只能看一个学一个了。题目中“最多有 m 个 0 和 n 个 1”,其实蕴含了背包是个二维背包,容量是 m、n。 从 n 个字符串中选若干个字符串,放入一维体积为 m 二维体积为 n 的背包中,问最大容量是多少? | 背包容量:m、n。 物品体积:每个物品有两个维度的体积,字符串中 的 0 就是第一维体积、字符串中的 1 就是第二维体积。 物品价值:同样的,这题问最大容量,所以没有价值的概念,所以把体积看成价值。 物品数量:每个数字只能选择一次。 |
注意416. 分割等和子集这个题和494. 目标和这个题的关系和区别。前者要判断是否能装满,因为是存在装不满的情况的。而后者是要求装满的方案数。虽然代码中没有明显判断是否能装满,但其实如果装不满的话,方案数就会为 0。