leetcode——背包系列


本来背包问题,比较直观的解释,是用二维的转移方程,但简洁起见,很多地方以及下文的介绍都是用一维的转移方程,在二维到一维的转换中要注意,01背包和完全背包的计算顺序,01背包的dp数组是从后向前计算更新,完全背包的dp数组是从w[i]开始向后更新。
要想理解计算顺序的不同,先看一下二维的转移方程是什么样的:
01背包
d p [ i ] [ j ] dp[i][j] dp[i][j]表示前 i i i件物品恰好装入容量为 v v v的背包中所能获得的最大价值,共 n n n件物品,每件物品的重量 w [ i ] w[i] w[i],价值 c [ i ] c[i] c[i],背包容量 V V V
d p [ i ] [ v ] = m a x { d p [ i − 1 ] [ v ] , d p [ i − 1 ] [ v − w [ i ] ] + c [ i ] } dp[i][v] = max\{dp[i-1][v],dp[i-1][v-w[i]]+c[i]\} dp[i][v]=max{ dp[i1][v],dp[i1][vw[i]]+c[i]}
边界
d p [ 0 ] [ v ] =
  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
回答: LeetCode上的背包问题是指在给定一组物品和一个背包的容量的情况下,选择哪些物品放入背包,使得背包中物品的总价值最大。根据物品的选择限制,背包问题可以分为0-1背包问题、完全背包问题和多重背包问题等不同类型。[2] 对于0-1背包问题,每种物品只能选择0个或1个,即要么放入背包,要么不放入。这种情况下,可以使用动态规划来解决,定义一个二维数组dp[i][j]表示前i个物品放入容量为j的背包中所获得的最大价值。通过状态转移方程dp[i][j] = max(dp[i-1][j], dp[i-1][j-weight[i]] + value[i])来更新dp数组,其中weight[i]表示第i个物品的重量,value[i]表示第i个物品的价值。最终,dp[n][W]即为所求的最大价值,其中n为物品的个数,W为背包的容量。[3] 完全背包问题是指每种物品可以选择任意个数,即可以重复放入背包。在解决完全背包问题时,可以将其转化为0-1背包问题来求解。具体做法是将每个物品拆分成多个重量和价值相同的物品,然后按照0-1背包问题的方法进行求解。[1] 多重背包问题是指每种物品有一定的数量限制,即每种物品可以选择0个到nums[i]个。对于多重背包问题,可以将其转化为0-1背包问题来求解。具体做法是将每个物品拆分成多个重量和价值相同的物品,然后按照0-1背包问题的方法进行求解。[1] 总结来说,背包问题是在给定一组物品和背包容量的情况下,选择合适的物品放入背包,使得背包中物品的总价值最大。根据物品的选择限制,背包问题可以分为0-1背包问题、完全背包问题和多重背包问题等不同类型,可以使用动态规划的方法来解决。[2][3]
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值