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)
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
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]