完全背包理论基础
- 完全背包问题和01背包问题的区别
- 完全背包问题:
- 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] 。每件物品都有无限个(也就是可以放入背包多次),求解将哪些物品装入背包里物品价值总和最大
- 01背包问题:
- 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
- 完全背包和01背包问题唯一不同的地方就只啊,完全背包中每一物品都有无限件
- 完全背包问题:
- 完全背包的解法:
- 01背包中的物品只能用一次
- 只要将01背包中物品使用无限次就是完全背包
- 在之前01背包的一维dp数组中,为了避免物品被重复使用,在遍历背包的时候采用的是倒序遍历
-
for (int i = 0; i < weight.length; i++) { // 物品 for (int j = bagSize; j >= weight[i]; j-- ) { // 背包 dp[j] = Math.max(dp[j],dp[j-weight[i]]+value[i]); } }
-
- 所以,只要将遍历背包的顺序改成正序遍历,那么物品就可以被重复多次添加了,那么就是完全背包的使用了
-
for (int i = 0; i < weight.length; i++) { // 物品 for (int j = weight[i]; j <= bagSize ; j++ ) { // 背包 dp[j] = Math.max(dp[j],dp[j-weight[i]]+value[i]); } }
-
- 完全背包的遍历顺序:
- 不同于01背包的一维dp数组,完全背包的时候背包的遍历和物品的遍历是可以交换的
- 遍历方式一:先物品再背包
-
for (int i = 0; i < weight.length; i++) { // 物品 for (int j = weight[i]; j <= bagSize ; j++ ) { // 背包 dp[j] = Math.max(dp[j],dp[j-weight[i]]+value[i]); } }
-
- 遍历方式二:先背包再物品
-
for (int j = 1; j <= bagSize ; j++ ) { // 背包 for (int i = 0; i < weight.length; i++) { // 物品 if ( j - weight[i] >= 0) { dp[j] = Math.max(dp[j], dp[j - weight[i]] + value[i]); } } }
-
- 因为dp[j]是根据下标 j 之前所对应的 dp[j]计算出来的,只要保证下标 j 之前的dp[j]都是经过计算的就可以了
- 最终代码
- 遍历方式一:先遍历物品再遍历背包
-
public class BagProblem2 { public static void main(String[] args) { int[] weight = {1,3,4}; int[] value = {15,20,30}; int bagSize = 4; testWeightBagProblem(weight,value,bagSize); } /** * 动态规划获得结果 * @param weight 物品的重量 * @param value 物品的价值 * @param bagSize 背包的容量 */ public static void testWeightBagProblem(int[] weight, int[] value, int bagSize){ // 创建dp数组 int[] dp = new int[bagSize + 1]; // 初始化dp数组 // 将dp[]数组初始化为0,默认就是,不用操作 // 遍历填充dp数组 // 外层循环代表几个物品,循环几次 // 内层循环更换最大值 for (int i = 0; i < weight.length; i++){ // 遍历物品 for (int j = weight[i]; j <= bagSize; j++){ // 遍历背包容量 dp[j] = Math.max(dp[j], dp[j - weight[i]] + value[i]); } // 打印dp数组 for (int num : dp) { System.out.print(num + "\t"); } System.out.print("\n"); } } }
- 遍历方式二:先遍历背包,再遍历物品
-
public class BagProblem2 { public static void main(String[] args) { int[] weight = {1,3,4}; int[] value = {15,20,30}; int bagSize = 4; testWeightBagProblem(weight,value,bagSize); } /** * 动态规划获得结果 * @param weight 物品的重量 * @param value 物品的价值 * @param bagSize 背包的容量 */ public static void testWeightBagProblem(int[] weight, int[] value, int bagSize){ // 创建dp数组 int[] dp = new int[bagSize + 1]; // 初始化dp数组 // 将dp[]数组初始化为0,默认就是,不用操作 // 遍历填充dp数组 // 外层循环代表背包容量 // 内层循环代表物品 for (int j = 1; j <= bagSize ; j++ ) { // 背包 for (int i = 0; i < weight.length; i++) { // 物品 if ( j - weight[i] >= 0) { dp[j] = Math.max(dp[j], dp[j - weight[i]] + value[i]); } } // 打印dp数组 for (int num : dp) { System.out.print(num + "\t"); } System.out.print("\n"); } } }
518. 零钱兑换||
题目链接:力扣
思路
这道题目可以算是 纯完全背包问题 和 目标和 的结合体
总的来说就是当物品可以无限使用的时候,装满背包有多少种方法
初始化和递推公式跟 目标和 一样
遍历方式和 纯的完全背包问题 一样,但是背包的遍历和物品的遍历不能替换顺序,因为纯完全背包理论求的是填满背包的最大物品重量,而这道题目求得是有多少种方法
遍历顺序很重要:
如果求组合数,就是外层for循环遍历物品,内层for循环遍历背包
如果求排列数,就是外层for循环遍历背包,内层for循环遍历物品
零钱兑换||
class Solution {
public int change(int amount, int[] coins) {
// 创建dp数组
int[] dp = new int[amount + 1];
// 初始化
dp[0] = 1;
// 填充数组
for (int i = 0; i < coins.length; i++) {
for (int j = coins[i]; j <= amount; j++) {
dp[j] += dp[j-coins[i]];
}
}
return dp[amount];
}
}
377. 组合总和 Ⅳ
题目链接:力扣
思路
正常的思路是使用回溯算法,但是这道题目使用回溯算法会超时,所以需要使用动态规划。但是动态规划只能求这个排列数是多少,不能求组合种具体的元素
这道题目使用动态规划就是在上面所说的 如果求排列数,就是外层for循环遍历背包,内层for循环遍历物品
只需要改变遍历的顺序,先对背包进行遍历,再对物品进行遍历就可以
组合总和IV
class Solution {
public int combinationSum4(int[] nums, int target) {
// 创建dp数组
int[] dp = new int[target + 1];
// 初始化dp数组
dp[0] = 1;
// 填充dp数组
// 与组合数的遍历顺序相反,先遍历背包,再遍历物品
for (int j = 1; j <= target; j++) {
for (int i = 0; i < nums.length; i++) {
if (j - nums[i] >= 0) {
dp[j] += dp[j - nums[i]];
}
}
}
return dp[target];
}
}