题目链接:1049. 最后一块石头的重量 II
题目描述
有一堆石头,用整数数组 stones
表示。其中 stones[i]
表示第 i
块石头的重量。
每一回合,从中选出任意两块石头,然后将它们一起粉碎。假设石头的重量分别为 x
和 y
,且 x <= y
。那么粉碎的可能结果如下:
- 如果
x == y
,那么两块石头都会被完全粉碎; - 如果
x != y
,那么重量为x
的石头将会完全粉碎,而重量为y
的石头新重量为y-x
。
最后,最多只会剩下一块 石头。返回此石头 最小的可能重量 。如果没有石头剩下,就返回 0
。
示例 1:
输入:stones = [2,7,4,1,8,1] 输出:1 解释: 组合 2 和 4,得到 2,所以数组转化为 [2,7,1,8,1], 组合 7 和 8,得到 1,所以数组转化为 [2,1,1,1], 组合 2 和 1,得到 1,所以数组转化为 [1,1,1], 组合 1 和 1,得到 0,所以数组转化为 [1],这就是最优值。
示例 2:
输入:stones = [31,26,33,21,40] 输出:5
提示:
1 <= stones.length <= 30
1 <= stones[i] <= 100
文章讲解:代码随想录
视频讲解:动态规划之背包问题,这个背包最多能装多少?LeetCode:1049.最后一块石头的重量II_哔哩哔哩_bilibili
题解1:回溯法(超时)
思路:以示例1 [2,7,4,1,8,1] 为例,正确输出对应的算式为 (4 - 2) - (8 - 7) - 1 + 1 = 1,可以转换为 -2 + 7 + 4 - 1 - 8 + 1,相当于给输入的数组每个数前加上正负号后算式的最小非负数结果。因此可以使用回溯法,遍历为所有数字分别加正负号后求和的结果,取最小非负数为最终结果。
/**
* @param {number[]} stones
* @return {number}
*/
var lastStoneWeightII = function(stones) {
let res = Number.MAX_VALUE;
const backtracking = function (start, sum) {
if (start === stones.length) {
if (sum >=0 && sum < res) {
res = sum;
}
return;
}
backtracking(start + 1, sum + stones[start]);
backtracking(start + 1, sum - stones[start]);
}
backtracking(0, 0);
return res;
};
分析:时间复杂度为 O(2 ^ n),空间复杂度为 O(n)。不出意外超时了,需要想时间复杂度更低的方法。
题解2:动态规划
思路:参考回溯法的思路,数组中一些元素取正数,剩下元素取负数,目标是取这些加正负号后元素的最小非负数和。令 sum 为数组元素总和,将数组中的元素分为2组,一组为取正数的元素,元素和记为 sum1,另一组为取负数的元素,元素和记为 sum2(sum2也是正数),有 sum1 + sum2 = sum,要求的结果为 sum1 - sum2 的绝对值的最小值,即 sum1 和 sum2 最接近的情况,也可以理解为 sum1 最接近 sum / 2 的情况。
假设有一个背包,背包容量为 sum / 2,往背包里放石头,这些石头的重量和为 sum1,目标为求最大的 sum1,sum2 即为 sum - sum1,剩余的最后一块石头的重量为 sum2 - sum1,即最终返回 sum - sum1 * 2。这是一个01背包问题。
动态规划分析:
- dp 数组以及下标的含义:dp[j] 代表往容量为 j 的背包中能放的最大重量。
- 递推公式:dp[j] = Math.max(dp[j], dp[j - stones[i]] + stones[i])。
- dp 数组初始化:全部初始化为0。
- 遍历顺序:先遍历石头,再倒序遍历背包。
- 打印 dp 数组:以输入 [2,7,4,1,8,1] 为例,dp 数组为 [ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11 ]。
分析:令 n 为石头个数,m 为石头总质量,则时间复杂度为 O(n * m),空间复杂度为 O(m)。
收获
0-1背包问题,n 件物品,1个容量为 w 的背包,每件物品只能用一次,求解装入背包的物品的最大价值。
背包问题使用回溯法搜索所有情况,时间复杂度会更高,使用动态规划法解更合适。