代码随想录算法训练营第42天 | 01背包 416.分割等和子集

代码随想录系列文章目录

动态规划 - 01背包

---

---

01背包问题

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。
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！

二维dp数组

1. 状态定义
   dp[i][j], 是表示从下标为[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. 状态转移
   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，所以被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

   所以状态转移公式就是 dp[i][j] = max(dp[i-1][j], dp[i-1][j-weight[i]]+value[i])

3. base case
   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：
   
   再看其他情况。

   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。

   那么如果我们一开始就给dp数组初始化为0，我们不用去初始化dp[i][0].

   for j in range(weight[0], bagweight+1):
   	dp[0][j] = value[0]
   

   此时dp数组初始化情况如图所示
   
   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。所以其它都初始化为0

4. 遍历顺序和解的所在
   有两个遍历的维度：物品与背包重量。先遍历谁都可以，但是一般先遍历物体

   for i in range(1, n):
   	for j in range(0, bagweight+1):
   		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])
   

   如果假设有n个物品，最大重量是m ，解应该在dp[n-1][m]
   因为定义是，从下标0 -> n-1的物品里选，放进容积为m的背包，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。

1.状态定义
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.状态转移
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，

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

3.base case
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。其余的位置也初始化为0就行

4.遍历顺序以及解的位置
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。

#  n, m  物品个数， 容积  
dp = [0] * (m+1)
for i in range(0, n):
	for j in range(m, weight[i]-1, -1):
		dp[j] = max(dp[j], dp[j - weight[i]] + value[i])

416.分割等和子集

题目链接
这道题为什么能转化为 01背包问题
首先，本题要求集合里能否出现总和为 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
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。

1.状态定义
dp[j], 容量为j的背包，所背的物品价值可以最大为dp[j]

2.状态转移
dp[j] = max(dp[j], dp[j - weight[i]] + value[i]);

3.base case
初始化为0，如果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，如果题目给的价值有负数，那么非0下标就要初始化为负无穷。
我们要找数组之和的一半，数据范围是数组长度 <=200, 每个元素小于等于100
那么数组初始化dp = [0]* 10001

4.遍历顺序以及解的位置
01背包的一维dp，应该是正序遍历物体，反序遍历容积
解的位置
dp[j]的数值一定是小于等于j的。
如果dp[j] == j 说明，集合中的子集总和正好可以凑成总和j，理解这一点很重要。

class Solution:
    def canPartition(self, nums: List[int]) -> bool:
        dp = [0] * 10001
        if sum(nums) % 2 != 0: return False
        target = sum(nums) // 2
        for i in range(0, len(nums)):
            for j in range(target, nums[i]-1, -1):
                dp[j] = max(dp[j], dp[j-nums[i]]+nums[i])
        return dp[target] == target