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

代码随想录系列文章目录

动态规划 - 01背包 组合问题（494.目标和）

---

---

1049. 最后一块石头的重量 II

题目链接
这道题要转化，这个转化的步骤很重要。就是说我们希望最后是分成两堆，并且他们的差值尽可能的小，那么尽可能分成相同的两堆不就好了。

就像416.分割等和子集一样，dp[j]是在j容积下，最大价值；那么我们把j设置成数组所有和的一半，那么dp[j]是不是逼近它，那么是不是就完成了尽可能分成相同两堆的操作

所以在这种分割等和的题中，weight和value都是数字的大小

1.状态定义
dp[j]代表着，最大价值，在这里是数组容积内的最大的和

2.状态转移
dp[j] = max(dp[j], dp[j-nums[i]]+nums[i])
一维01背包的公式

3.base case
还是都初始化成0就行，我们反序遍历直接避开dp[i][0]这种容积不够的情况

4.遍历顺序和解的所在
遍历顺序还是一维dp的顺序，物品正向，容积反向
解的所在的话，最后我们计算的dp[target], 就是target = sum // 2的容积内，最接近数组之和一半的数，由于我们是向下取整，另一半sum-dp[target], 一定稍微大一点；所以最后的解，sum-dp[target] - dp[tartget]

def lastStoneWeightII(stones):
    target = sum(stones) // 2
    dp = [0] * 1501
    for i in range(0, len(stones)):
        for j in range(target, stones[i] - 1, -1):
            dp[j] = max(dp[j], dp[j - stones[i]] + stones[i])
    return sum(stones) - dp[target] - dp[target]

494.目标和(01背包的组合问题)

题目链接

思路分析

这道题开始变成求有几种方法了
那么为什么说这道题是01背包呢？因为每个物品只用一次

组合问题，应该怎么分析呢？

容易想到，肯定这里是有一部分是要赋正号的,假设加法的总和是x，肯定是有部分要赋负号的，这些的和是sum-x. 那么x-(sum-x) == target

sum 和 target是已知的，因此，x 也就可以算出来 x == (sum+target) // 2
知道这一点，问题就转化成了 ，装满容量为x背包，有几种方法

怎么理解x是这个容积，我是这么理解的：在这个数组里，x是必须存在，是固定的，一定要有这么大的正数，才能有target; 那么我们的bagsize设成x，我们把dp[bagsize]求出来， 就是在数组里搞出这么多的正数的 最大方法数

大家看到(S + 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，并且target的绝对值如果大于sum的话，也是无解的

if abs(target) > sum or target+sum % 2 == 1: return 0

下面就是一维dp
1.dp[j] 表示的意义：表示填满容积是j的包 有dp[j]种方法

2.状态转移：

有哪些来源可以推出dp[j]呢？

不考虑nums[i]的情况下，填满容量为j的背包，有dp[j]种方法。

那么考虑nums[i]的话（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 dp[5]。
已经有一个2（nums[i]） 的话，有 dp[3]种方法 凑成 dp[5]。
已经有一个3（nums[i]） 的话，有 dp[2]中方法 凑成 dp[5]
已经有一个4（nums[i]） 的话，有 dp[1]中方法 凑成 dp[5]
已经有一个5 （nums[i]）的话，有 dp[0]中方法 凑成 dp[5]
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]]

这个公式在后面在讲解背包解决排列组合问题的时候还会用到！

3.dp数组怎么初始化
从递归公式可以看出，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，递归结果将都是0。

dp[0] = 1，理论上也很好解释，装满容量为0的背包，有1种方法，就是装0件物品。

dp[j]其他下标对应的数值应该初始化为0，从递归公式也可以看出，dp[j]要保证是0的初始值，才能正确的由dp[j - nums[i]]推导出来。

4.遍历顺序以及解的位置
顺序还是一维01背包的顺序，物品在外正序，容积在内逆序
解的位置应该就是dp[bagsize]
bagsize就是 (sum+target)//2

def findTargetSumWays(self, nums: List[int], target: int) -> int:
        if abs(target) > sum(nums) or (sum(nums)+target) % 2 != 0: return 0
        bagsize = (sum(nums)+target) // 2
        dp = [0] * (bagsize+1)
        dp[0] = 1
        for i in range(0,len(nums)):
            for j in range(bagsize, nums[i]-1, -1):
                dp[j] += dp[j-nums[i]]
        return dp[bagsize]

474.一和零

题目链接

想起来了这道题，这道题是两个背包

本题中strs 数组里的元素就是物品，每个物品都是一个！

而m 和 n相当于是一个背包，两个维度的背包。

所以这道题的状态定义和式子和原始的略有些不同

1.状态定义
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]。
i, j都是各自的容积

2.状态转移
dp[i][j] 可以由前一个strs里的字符串推导出来，strs里的字符串有zeroNum个0，oneNum个1。

dp[i][j] 就可以是 dp[i - zeroNum][j - oneNum] + 1。

然后我们在遍历的过程中，取dp[i][j]的最大值。

所以递推公式：dp[i][j] = max(dp[i][j], dp[i - zeroNum][j - oneNum] + 1);

此时大家可以回想一下01背包的递推公式：dp[j] = max(dp[j], dp[j - weight[i]] + value[i]);

对比一下就会发现，字符串的zeroNum和oneNum相当于物品的重量（weight[i]），字符串本身的个数相当于物品的价值（value[i]）。

这就是一个典型的01背包！ 只不过物品的重量有了两个维度而已。

3.base case
都初始化成0就行，我就感觉背包容积都需要倒序遍历，初始化成0没有毛病

4.遍历方向以及解的所在
物品需要正序遍历，遍历的同时，记录一下当前遍历的物品的zeronum 和 onenum，因为还是01背包，选和不选
容积都需要倒序遍历，这个要形成肌肉记忆
解的所在按照定义就是，dp[m][n], 两个维度容积分别是最大时候，子集有多少个元素

def findMaxForm(self, strs: List[str], m: int, n: int) -> int:
        zeronum = 0
        onenum = 0
        dp = [[0]*(n+1) for _ in range(m+1)]
        for s in strs:
            zeronum = s.count('0')
            onenum = s.count('1')
            for i in range(m, zeronum-1, -1):
                for j in range(n, onenum-1, -1):
                    dp[i][j] = max(dp[i][j], dp[i-zeronum][j-onenum]+1)
        return dp[m][n]