算法定义
背包问题(Knapsack problem)是一种组合优化的NP完全问题。问题可以描述为:给定一组物品,每种物品都有自己的重量和价格,在限定的总重量内,我们如何选择,才能使得物品的总价格最高。
不想看定义?那么接着看下面的通俗栗子:
给定一个nums[]数组,再给定一个背包容量target,你能否用nums[]中的物品装满背包呢?
问题分类
首先,根据数组中的元素是否可以重复使用,背包问题分为:
❶ 0-1背包:数组中的元素不能重复使用
❷ 完全背包:数组中的元素可以重复使用
接着,根据题设的目的,背包问题又分为:
❶ 考虑顺序的组合问题
❷ 不考虑顺序的组合问题
❸ True/False问题
❹ 最大最小值问题
解题模板
幸运的是,背包问题有一套万用的模板,可以帮你解决99%的背包问题!
0-1背包
for (int num : nums) {
for (int i = target; i >= num; i--) {
// 状态转移
}
}
完全背包
for (int num : nums) {
for (int i = num; i <= target; i++) {
// 状态转移
}
}
组合问题
// 初始化
dp[0] = 1
// 状态转移
dp[i] += dp[i - num]
True/False问题
// 初始化
dp[0] = true
// 状态转移
dp[i] |= dp[i - num]
最大最小值问题
// 初始化
Arrays.fill(dp ,逻辑上可以取到的最大/最小值)
dp[0] = 0
// 状态转移
dp[i] = Math.max(dp[i], dp[i - num] + 1)
dp[i] = Math.min(dp[i], dp[i - num] + 1)
特殊情况
有一个上面的解题模板中没有提到的特殊情况:考虑顺序的组合问题/不考虑顺序的组合问题的区别。
// 不考虑顺序的组合问题
for (num)
for (i)
// 考虑顺序的组合问题
for (i)
for (num)
题目练习
Q1:硬币凑钱
给你一个整数数组 coins 表示不同面额的硬币,另给一个整数 amount 表示总金额。
请你计算并返回可以凑成总金额的硬币组合数。如果任何硬币组合都无法凑出总金额,返回 0 。
假设每一种面额的硬币有无限个。
输入:amount = 5, coins = [1, 2, 5]
输出:4
解释:有四种方式可以凑成总金额:
5=5
5=2+2+1
5=2+1+1+1
5=1+1+1+1+1
class Solution {
public int change(int amount, int[] coins) {
// 完全背包
// 不考虑顺序的组合问题
int[] dp = new int[amount + 1];
dp[0] = 1;
for (int coin : coins) {
for (int i = coin; i <= amount; i++) {
dp[i] += dp[i - coin];
}
}
return dp[amount];
}
}
Q2:组合总和
给你一个由 不同 整数组成的数组 nums ,和一个目标整数 target 。请你从 nums 中找出并返回总和为 target
的元素组合的个数。顺序不同的序列被视作不同的组合。
输入:nums = [1,2,3], target = 4
输出:7
解释:(1, 1, 1, 1) (1, 1,2) (1, 2, 1) (1, 3) (2, 1, 1) (2, 2) (3, 1)
class Solution {
public int combinationSum4(int[] nums, int target) {
// 完全背包
// 考虑顺序的组合问题
int[] dp = new int[target + 1];
dp[0] = 1;
for (int i = 0; i <= target; i++) {
for (int num : nums) {
if (i - num >= 0) {
dp[i] += dp[i - num];
}
}
}
return dp[target];
}
}
Q3:目标和
给你一个整数数组 nums 和一个整数 target 。
向数组中的每个整数前添加 ‘+’ 或 ‘-’ ,然后串联起所有整数,可以构造一个 表达式 :
输入:nums = [1,1,1,1,1], target = 3
输出:5
解释:一共有 5 种方法让最终目标和为 3 。
-1 + 1 + 1 + 1 + 1 = 3
+1 - 1 + 1 + 1 + 1 = 3
+1 + 1 - 1 + 1 + 1 = 3
+1 + 1 + 1 - 1 + 1 = 3
+1 + 1 + 1 + 1 - 1 = 3
/*
* 隐含的背包问题,下面是推导过程:
* sum(+)-sum(-)=target
* sum(+)-sum(-)+sum(+)+sum(-)=target+sum(+)+sum(-)
* 2*sum(+)=target+sum
* sum(+)=(target+sum)/2
*/
class Solution {
public int findTargetSumWays(int[] nums, int target) {
int sum = Arrays.stream(nums).sum();
if (sum < target || ((sum + target) & 1) == 1) {
return 0;
}
// 0-1背包
// 不考虑顺序的组合问题
int tmp = (sum + target) / 2;
int[] dp = new int[tmp + 1];
dp[0] = 1;
for (int num : nums) {
for (int i = tmp; i >= num; i--) {
dp[i] += dp[i - num];
}
}
return dp[tmp];
}
}
Q4:分割等和子集
给你一个 只包含正整数 的 非空 数组 nums 。请你判断是否可以将这个数组分割成两个子集,使得两个子集的元素和相等。
输入:nums = [1,5,11,5]
输出:true
解释:数组可以分割成 [1, 5, 5] 和 [11] 。
class Solution {
public boolean canPartition(int[] nums) {
int sum = Arrays.stream(nums).sum();
if ((sum & 1) == 1) {
return false;
}
int target = sum / 2;
// 0-1背包
// True/False问题
boolean[] dp = new boolean[target + 1];
dp[0] = true;
for (int num : nums) {
for (int i = target; i >= num; i--) {
dp[i] |= dp[i - num];
}
}
return dp[target];
}
}
Q5:硬币凑钱2.0
给定不同面额的硬币 coins 和一个总金额amount。
编写一个函数来计算可以凑成总金额所需的最少的硬币个数。如果没有任何一种硬币组合能组成总金额,返回 -1。
你可以认为每种硬币的数量是无限的。
输入:coins = [1, 2, 5], amount = 11
输出:3
解释:11 = 5 + 5 + 1
class Solution {
public int coinChange(int[] coins, int amount) {
// 完全背包
// 最大最小值问题
int[] dp = new int[amount + 1];
Arrays.fill(dp, amount + 1);
dp[0] = 0;
for (int coin : coins) {
for (int i = coin; i <= amount; i++) {
dp[i] = Math.min(dp[i], dp[i - coin] + 1);
}
}
return dp[amount] == amount + 1 ? -1 : dp[amount];
}
}
Q6:完全平方数
给定正整数 n,找到若干个完全平方数(比如 1, 4, 9, 16, …)使得它们的和等于 n。你需要让组成和的完全平方数的个数最少。
完全平方数 是一个整数,其值等于另一个整数的平方;换句话说,其值等于一个整数自乘的积。例如,1、4、9 和 16 都是完全平方数,而 3 和 11 不是。
输入:n = 13
输出:2
解释:13 = 4 + 9
class Solution {
public int numSquares(int n) {
// 完全背包
// 最大最小值问题
int[] dp = new int[n + 1];
Arrays.fill(dp ,100);
dp[0] = 0;
for (int num = 1; num <= 100; num++) {
for (int i = num * num; i <= n; i++) {
dp[i] = Math.min(dp[i], dp[i - num * num] + 1);
}
}
return dp[n];
}
}
原理深究
这里,我们将彻底弄明白上面遗留下的一个问题:为什么对于0-1背包和完全背包,for i 时候的顺序不同呢?具体地说,为什么一个是i++,一个是i–?
让我们回到最初的背包问题——一共有N件物品,第i(i从1开始)件物品的重量为w[i],价值为v[i]。在总重量不超过背包承载上限W的情况下,能够装入背包的最大价值是多少?
这最初是一个二维DP问题。对于0-1背包和完全背包,dp[i][j]的含义有些许不同:
dp[i][j]表示将前i「件」物品装进限重为j的背包可以获得的最大价值(0-1背包)
dp[i][j]表示将前i「种」物品装进限重为j的背包可以获得的最大价值(完全背包)
明确了含义,不难想到状态转移方程:
dp[i][j] = max(dp[i−1][j], dp[i−1][j−w[i]]+v[i]) // 0-1背包
dp[i][j] = max(dp[i−1][j], dp[i][j−w[i]]+v[i]) // 完全背包
思考一下,上面两个状态转移方程不同的原因是什么?
很简单,对于0-1背包,第i个物品不能用;对于完全背包,第i个物品可以用。
下面,关键来了!
不难看出,上面的两个状态转移方程都可以通过滚动数组进行降维优化。滚动数组的本质是什么?在不影响其他状态转移的前提下,进行状态值的覆盖,从而复用了数组空间。
0-1背包和完全背包不同的 for i 顺序,正是因为0-1背包避免覆盖,而完全背包需要覆盖。
写在后面
最后,总结一下这类题目的解题流程吧!
1)拿到题目,判断它是不是背包问题,或者能否转化为背包问题;
2)判断背包问题种类。0-1背包/完全背包影响for循环,组合问题/TrueFalse问题/最大最小值问题影响状态转移方程;
3)如果是组合问题,多判断一下是否需要考虑顺序,这影响for循环的嵌套关系;
4)套用模板即可。
E N D END END