提示:努力生活,开心、快乐的一天
文章目录
01背包理论基础
leecode上没有题目
题意: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。
💡解题思路
- 动规五部曲:
- 确定dp数组以及下标的含义: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。
- 确定递推公式:根据dp[i][j]的含义,可以有两个方向的推导
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
递归公式: dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]); - dp数组如何初始化: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。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。其他下标都应该初始化为0
- 确定遍历顺序:有两个遍历的维度:物品与背包重量,先遍历哪个都可以
- 举例推导dp数组:按照递推公式推导一下做推导,如果发现结果不对,就把dp数组打印出来
🤔遇到的问题
- 整体都不好想,初始化,、推到公式,还有比那里顺序都不好想
💻代码实现
动态规划
function testWeightBagProblem (weight, value, size) {
// 定义 dp 数组
const len = weight.length,
dp = Array(len).fill().map(() => Array(size + 1).fill(0));
// 初始化
for(let j = weight[0]; j <= size; j++) {
dp[0][j] = value[0];
}
// weight 数组的长度len 就是物品个数
for(let i = 1; i < len; i++) { // 遍历物品
for(let j = 0; j <= size; j++) { // 遍历背包容量
if(j < weight[i]) dp[i][j] = dp[i - 1][j];
else dp[i][j] = Math.max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]);
}
}
console.table(dp)
return dp[len - 1][size];
}
🎯题目总结
1.背包问题很难,但依旧按照动态规划的五部曲进行分析,一步步来
01背包理论基础(滚动数组)
leecode暂无题目
题意与上面一样,只是用一维数组进行实现
💡解题思路
-
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]
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。
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。 -
动规五部曲:
- 确定dp数组以及下标的含义: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]。
- 确定递推公式: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,
递归公式:dp[j] = max(dp[j], dp[j - weight[i]] + value[i]); - dp数组如何初始化: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。其他下标都应该初始化为0
- 确定遍历顺序: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。
- 举例推导dp数组:按照递推公式推导一下做推导,如果发现结果不对,就把dp数组打印出来
🤔遇到的问题
- 递归公式的变换及遍历顺序的确定
💻代码实现
动态规划
function testWeightBagProblem(wight, value, size) {
const len = wight.length,
dp = Array(size + 1).fill(0);
for(let i = 1; i <= len; i++) {
for(let j = size; j >= wight[i - 1]; j--) {
dp[j] = Math.max(dp[j], value[i - 1] + dp[j - wight[i - 1]]);
}
}
return dp[size];
}
🎯题目总结
将二维数组变化为一维数组,但是其本质的遍历还是二维数组的遍历
416. 分割等和子集
💡解题思路
- 01背包问题的具体应用,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。
- 动规五部曲:
- 确定dp数组以及下标的含义:dp[j]表示 背包总容量(所能装的总重量)是j,放进物品后,背的最大重量为dp[j]。
- 确定递推公式:01背包的递推公式为:dp[j] = max(dp[j], dp[j - weight[i]] + value[i]);
本题,相当于背包里放入数值,那么物品i的重量是nums[i],其价值也是nums[i]。
所以递推公式:dp[j] = max(dp[j], dp[j - nums[i]] + nums[i]); - dp数组如何初始化:从dp[j]的定义来看,首先dp[0]一定是0。本题题目中 只包含正整数的非空数组,所以非0下标的元素初始化为0就可以了。
- 确定遍历顺序:如果使用一维dp数组,物品遍历的for循环放在外层,遍历背包的for循环放在内层,且内层for循环倒序遍历!
- 举例推导dp数组: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
🤔遇到的问题
- 最终的返回格式与背包问题不一样
- 题目中物品是nums[i],重量是nums[i],价值也是nums[i],背包体积是sum/2。
💻代码实现
动态规划
var canPartition = function(nums) {
let sum = nums.reduce((a, b) => a + b);
if (sum & 1) return false
//背包的最大体积
let dp = new Array(sum / 2 + 1).fill(0)
for (let i = 0; i < nums.length; i++) {//遍历物品(数组)
for (let j = sum / 2; j >= nums[i]; j--){//遍历背包(子集的和)-倒序
//状态转移公式
dp[j] = Math.max(dp[j], dp[j - nums[i]] + nums[i])
if (dp[j] === sum / 2) {
return true
}
}
}
return dp[sum/2] === sum/2
};
🎯题目总结
01背包相对于本题,主要要理解,题目中物品是nums[i],重量是nums[i],价值也是nums[i],背包体积是sum/2。
🎈今日心得
背包问题,感觉很难,似懂非懂,还需深入