动态规划3：01背包理论基础|、01背包理论基础||、分割等和子集、最后一块石头的重量||、第三节总结

11. 0-1背包理论基础（一）

背包问题的分组如下：

至于背包九讲其他背包，面试几乎不会问，都是竞赛级别的了，leetcode上连多重背包的题目都没有，所以题库也告诉我们，01背包和完全背包就够用了。

而完全背包又是也是01背包稍作变化而来，即：完全背包的物品数量是无限的。

所以背包问题的理论基础重中之重是01背包，一定要理解透！

leetcode上没有纯01背包的问题，都是01背包应用方面的题目，也就是需要转化为01背包问题。

所以我先通过纯01背包问题，把01背包原理讲清楚，后续再讲解leetcode题目的时候，重点就是讲解如何转化为01背包问题了。

0-1 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。

这是标准的背包问题，以至于很多同学看了这个自然就会想到背包，甚至都不知道暴力的解法应该怎么解了。

这样其实是没有从底向上去思考，而是习惯性想到了背包，那么暴力的解法应该是怎么样的呢？

每一件物品其实只有两个状态，取或者不取，所以可以使用回溯法搜索出所有的情况，那么时间复杂度就是$o(2^n)$，这里的n表示物品数量。

所以暴力的解法是指数级别的时间复杂度。进而才需要动态规划的解法来进行优化！

在下面的讲解中，我举一个例子：

背包最大重量为4。

物品为：

	重量	价值
物品0	1	15
物品1	3	20
物品2	4	30

问背包能背的物品最大价值是多少？

以下讲解和图示中出现的数字都是以这个例子为例。

二维dp数组01背包

动态规划五步骤：

1. 确定dp数组和下标的含义
   对于背包问题，有一种写法， 是使用二维数组，即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？
   如下图：
   
   时刻记住dp数组的含义！
2. 确定递推公式
   再回顾一下dp[i][j]的含义：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。
   那么可以有两个方向推出来dp[i][j]。
   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]。(其实就是当物品i的重量大于背包j的重量时，物品i无法放进背包中，所以背包内的价值依然和前面相同。)
   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
   所以递归公式： dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]);
3. 初始化
   首先从dp[i][j]的定义出发，如果背包容量j为0的话，即dp[i][0]，无论是选取哪些物品，背包价值总和一定为0。如图：
   
   在看其他情况。
   状态转移方程 dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]); 可以看出i 是由 i-1 推导出来，那么i为0的时候就一定要初始化。
   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。
   所以，上述例子背包初始化如下：
   
   dp[0][j] 和 dp[i][0] 都已经初始化了，那么其他下标应该初始化多少呢？

其实从递归公式： dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]); 可以看出dp[i][j] 是由左上方数值推导出来了，那么 其他下标初始为什么数值都可以，因为都会被覆盖。

初始-1，初始-2，初始100，都可以！

但只不过一开始就统一把dp数组统一初始为0，更方便一些。

如图：
4. 确定遍历方向
在如下图中，可以看出，有两个遍历的维度：物品与背包重量。

那么问题来了，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。

那么我先给出先遍历物品，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]);
    }
}

为什么也是可以的呢？

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：

再来看看先遍历背包，再遍历物品呢，如图：

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。

其实背包问题里，两个for循环的先后循序是非常有讲究的，理解遍历顺序其实比理解推导公式难多了。
5. 举例验证递推公式

对应的结果就是dp[2][4]=35。
做动态规划的题目，最好的过程就是自己在纸上举一个例子把对应的dp数组的数值推导一下，然后在动手写代码！

卡码网例题46：
题目描述
小明是一位科学家，他需要参加一场重要的国际科学大会，以展示自己的最新研究成果。他需要带一些研究材料，但是他的行李箱空间有限。这些研究材料包括实验设备、文献资料和实验样本等等，它们各自占据不同的空间，并且具有不同的价值。

小明的行李空间为 N，问小明应该如何抉择，才能携带最大价值的研究材料，每种研究材料只能选择一次，并且只有选与不选两种选择，不能进行切割。

第一行包含两个正整数，第一个整数 M 代表研究材料的种类，第二个正整数 N，代表小明的行李空间。

第二行包含 M 个正整数，代表每种研究材料的所占空间。

第三行包含 M 个正整数，代表每种研究材料的价值。
输出一个整数，代表小明能够携带的研究材料的最大价值。

public class Bag{
    public static void main (String[] args) {
        int m=0,n=0;
        Scanner scan=new Scanner(System.in);
        System.out.println("input m and n:");
        m=scan.nextInt();
        n=scan.nextInt();
        int[] weight=new int[m];
        System.out.println("input weight:");
        for(int i=0;i<m;i++){
            weight[i]=scan.nextInt();
        }
        int[] values=new int[m];
        System.out.println("input weight:");
        for(int i=0;i<m;i++){
            values[i]=scan.nextInt();
        }
        System.out.println("该背包能装的最大价值是："+BagMax(n,weight,values));
    }
     static int BagMax(int n,int[] weight,int[] values){
        //确定dp数组和下标含义
         int m=weight.length;
        int[][] dp=new int[m][n+1];
        //初始化
        for(int i=0;i<m;i++){
            dp[i][0]=0;
        }
        for(int j=0;j<=n;j++){
            if(j>=weight[0]){
                dp[0][j]=values[0];
            }
        }
        //遍历
        for(int i=1;i<m;i++){
            for(int j=0;j<=n;j++){
                if(j<weight[i])
                    dp[i][j]=dp[i-1][j];
                else
                    //要装第i个物品，但是可能装不下所以价值是在上一个物品层的dp[i-1][j]和在上一层去掉这个物品容量后装这个的价值dp[i-1][j-weight[i]]+valudes[i]的最大值
                    dp[i][j]=Math.max(dp[i-1][j],dp[i-1][j-weight[i]]+values[i]);
            }
        }
        return dp[m-1][n];
    }
}

12. 01背包理论基础||

上一节讲解了二维dp数组，这一小节关注滚动数组，就是把二维数组降成一维。
还是用上一节的例子说明。
背包最大重量为4。

物品为：

	重量	价值
物品0	1	15
物品1	3	20
物品2	4	30

问背包能背的物品最大价值是多少？

一维dp数组（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。

读到这里估计大家都忘了 dp[i][j]里的i和j表达的是什么了，i是物品，j是背包容量。

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。

一定要时刻记住这里i和j的含义，要不然很容易看懵了。

动规五部曲分析如下：

1. 确定dp数组的定义
   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. 一维dp数组的递推公式
   dp[j]为 容量为j的背包所背的最大价值，那么如何推导dp[j]呢？
   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]=Math.max(dp[j],dp[j-weight[i]]+values[i]);

3. 一维dp数组如何初始化
   关于初始化，一定要和dp数组的定义吻合，否则到递推公式的时候就会越来越乱。
   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. 一维dp数组遍历顺序
   代码如下：

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]);
    }
}

这里大家发现和二维dp的写法中，遍历背包的顺序是不一样的！
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。

那么问题又来了，为什么二维dp数组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！

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。

倒序遍历的原因是，本质上还是一个对二维数组的遍历，并且右下角的值依赖上一层左上角的值，因此需要保证左边的值仍然是上一层的，从右向左覆盖。

（这里如果读不懂，就再回想一下dp[j]的定义，或者就把两个for循环顺序颠倒一下试试！）

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. 举例验证递推公式
   

public class Bag {
    public static void main(String[] args) {
        int m = 0, n = 0;
        Scanner scan = new Scanner(System.in);
        System.out.println("input m and n:");
        m = scan.nextInt();
        n = scan.nextInt();
        int[] weight = new int[m];
        System.out.println("input weight:");
        for (int i = 0; i < m; i++) {
            weight[i] = scan.nextInt();
        }
        int[] values = new int[m];
        System.out.println("input weight:");
        for (int i = 0; i < m; i++) {
            values[i] = scan.nextInt();
        }
        System.out.println("该背包能装的最大价值是：" + BagMax(n, weight, values));
    }

    static int BagMax(int n, int[] weight, int[] values) {
        int m = weight.length;
        int[] dp = new int[n + 1];
        for (int i = 0; i < m; i++) {//遍历物品
            for (int j = n; j >= weight[i]; j--) {
                dp[j] = Math.max(dp[j], dp[j - weight[i]] + values[i]);
            }
        }
        return dp[n];
    }
}

可以看出，一维dp 的01背包，要比二维简洁的多！ 初始化 和 遍历顺序相对简单了。

所以我倾向于使用一维dp数组的写法，比较直观简洁，而且空间复杂度还降了一个数量级！

在后面背包问题的讲解中，我都直接使用一维dp数组来进行推导。

二维数组和一维滚动数组总结

二维dp和一维dp有着很大的区别，空间复杂度降低一个数量级。
遍历的方向不一样：二维可以先物品再背包，也可以先背包再物品。
而一维只能先物品再背包，因为是对二维数组的压缩，是为了防止在dp[j]下只能添加一个物品。
背包的起始和终止条件不同：二维0<=j<=n，从0到n的正序遍历。
而一维是从j=n开始到j>=n-weight[i]的倒序遍历，是为了防止将物品重复放入。
递推公式随着数组的压缩发生变化。

13. 分割等和子集

例题416：
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。

01背包问题

背包问题，大家都知道，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。

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。

本题重心：能否在数组中找到和为sum/2的子集。

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（重要）
• 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]。
   本题中每一个元素的数值既是重量，也是价值。
2. 确定递推公式
   dp[j]=Math.max(dp[j],dp[j-weight[i]]+values[i]);
3. 初始化
   dp=0;
4. 确定遍历方向
   一维滚动数组只能先物品后背包，并且背包是倒序。
5. 举例验证
   代码如下：

时间复杂度O(n^2)，空间复杂度O(n)
class Solution {
    public boolean canPartition(int[] nums) {
        int sum=0;
        for(int i=0;i<nums.length;i++){
            sum+=nums[i];
        }
        if(sum%2!=0) return false;
        sum/=2;
        int[] dp=new int[sum+1];
        for(int i=0;i<nums.length;i++){
            for(int j=sum;j>=nums[i];j--){
                dp[j]=Math.max(dp[j],dp[j-nums[i]]+nums[i]);
            }
        }
        if(dp[sum]==sum)
        return true;
        else 
        return false;
    }
}

14. 最后一块石头的重量||

例题1049：
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。

**重点：将一堆石头尽可能分成重量相等的两部分。**如果两堆石头大小不等，总有一个>=半值，一个<=半值，找到距离半值最接近的最大价值。两堆石头碰撞，剩下的石头最小，就转换为了01背包问题。
动态规划五步骤：

1. 确定dp数组及下标含义
   dp[j]表示容量为j的背包装石头的最大价值。
2. 确定递推公式
   dp[j]=Math.max(dp[j],dp[j-weight[i]]+values[i]);
3. 初始化
   dp=0;
4. 确定遍历方向
   一维滚动数组只有一个方向
5. 举例验证递推公式
   代码如下：

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

15. 第三节总结

1. 01背包理论基础|：主要讲解背包问题的分类，01背包问题是什么。
   重点：01背包问题的二维方法（动规五步骤）
   遍历方法两种都可以。背包重量是从0到n。
2. 01背包理论基础||：讲解01背包的一维方法
   只能先遍历物品，再遍历背包。为了防止一个重量下只加入一个物品。
   并且背包的重量是从n到weight[i]递减，是为了防止重复加入第i个物品。
3. 分割等和子集：
   剪枝：和为奇数的直接排除。
   重点：转换为01背包——>dp数组的容量是sum/2。如果能找到和为sum/2的子集就可划分为两个和相等的子集。
4. 最后一块石头的重量||：
   重点：题目说的两个两个石头碰撞，需要自己抽象为两堆石头碰撞。每次取两个，其实就是直接将石头堆划分为和最接近半值的两堆，然后再碰撞，剩下的石头最小。

背包问题最难的还是，将问题转换为背包问题的思维，以及dp数组的含义。