1049.最后一块石头的重量II
题目难度:中等
有一堆石头,每块石头的重量都是正整数。
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:
- 输入:[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。
提示:
- 1 <= stones.length <= 30
- 1 <= stones[i] <= 1000
-
问题转化:
- 将问题转化为背包问题,即尝试将石头放入一个最大容量为所有石头总重量一半的背包中,目的是使背包中的石头总重量最大。
- 这是因为如果我们可以使一堆石头的重量接近总重量的一半,那么另一堆石头的重量也将会非常接近这个值,从而使得最终剩余的石头重量(即两堆石头重量差)最小。
-
动态规划表的定义:
- 创建一个布尔型的DP表
dp[i][j]
,其中i
表示考虑前i
个石头,j
表示背包的当前重量。 dp[i][j]
表示能否用前i
个石头填满重量为j
的背包。
- 创建一个布尔型的DP表
-
初始化:
dp[0][0]
应该为true
,因为没有石头时背包重量为0是可能的。- 其他
dp[0][j]
(j
> 0)应该为false
,因为没有石头无法填满任何非零重量。
-
状态转移方程:
- 对于每个石头
stones[i]
和每个可能的重量j
:- 如果
j < stones[i]
,则dp[i][j] = dp[i-1][j]
,因为当前石头太重,无法加入背包。 - 如果
j >= stones[i]
,则dp[i][j] = dp[i-1][j] || dp[i-1][j-stones[i]]
,意味着我们可以选择不放入当前石头,或者放入当前石头,如果放入则需要检查剩余重量(j-stones[i]
)能否被前面的石头填满。
- 如果
- 对于每个石头
-
填充动态规划表:
- 按照状态转移方程填充DP表。
-
寻找答案:
- 从
dp[n][j]
开始,n
是石头的数量,j
是背包的最大容量(即所有石头总重量的一半)。 - 从
j
开始向下寻找第一个dp[n][j]
为true
的j
,这表示最大能够达到的重量。 - 最后用总重量减去两倍的
j
就会得到最小的可能重量差。
- 从
-
优化空间复杂度:
- 实际实现中,可以只使用一维DP数组来减少空间复杂度,因为每个状态只依赖于前一个状态。
- 更新时从右向左更新,这样可以确保每次更新
dp[j]
时,dp[j-stones[i]]
仍然是上一个状态的值。
通过上述步骤,我们可以高效地找到一个最优解,即最后剩下的石头的最小可能重量。这个问题考验了对动态规划背包问题的理解与应用。
class Solution:
def lastStoneWeightII(self, stones: List[int]) -> int:
# 计算所有石头的总重量
total_weight = sum(stones)
# 背包容量为总重量的一半
half_weight = total_weight // 2
# 创建一维DP数组,初始化为0
dp = [0] * (half_weight + 1)
# 动态规划填充DP数组
for weight in stones:
# 从右向左更新,以便复用上一行的结果
for j in range(half_weight, weight - 1, -1):
# 状态转移方程
dp[j] = max(dp[j], dp[j - weight] + weight)
# 最终DP数组的最后一个元素是最接近总重量一半的重量
# 总重量减去两倍的这个重量即为最小差
return total_weight - 2 * dp[half_weight]
494.目标和
难度:中等
给定一个非负整数数组,a1, a2, ..., an, 和一个目标数,S。现在你有两个符号 + 和 -。对于数组中的任意一个整数,你都可以从 + 或 -中选择一个符号添加在前面。
返回可以使最终数组和为目标数 S 的所有添加符号的方法数。
示例:
- 输入:nums: [1, 1, 1, 1, 1], S: 3
- 输出:5
解释:
- -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
一共有5种方法让最终目标和为3。
提示:
- 数组非空,且长度不会超过 20 。
- 初始的数组的和不会超过 1000 。
- 保证返回的最终结果能被 32 位整数存下。
首先,题目给定了一个非负整数数组和一个目标数S。可以给数组中的每个数字前面加上"+“或者”-"号,目的是使得整个数组的和等于目标数S。
问题要求的是计算有多少种不同的方法可以达到目标数S。
解题思路的转化
这个问题可以转化为找出数组的两个子集,子集P中的数字前面加上"+“号,子集N中的数字前面加上”-"号。如果我们找到了这样的两个子集,使得他们的总和差等于S(即sum§ - sum(N) = S),我们就找到了一种方法。
因为整个数组的总和是sum(nums),所以我们有 sum§ + sum(N) + sum§ - sum(N) = sum(nums) + S。这意味着2 * sum§ = sum(nums) + S。因此,我们可以将问题转化为:找出数组的一个子集P,使得sum§ = (sum(nums) + S) / 2。
动态规划
可以使用动态规划来解决这个子集和问题。创建一个数组dp,其中dp[i]表示数组nums中的数字能否组成和为i的子集。我们的目标是填充这个数组,最终找到dp[target]的值,其中target是(sum(nums) + S) / 2。
初始化
我们初始化dp[0] = 1,因为不管nums中的数字如何,我们总是可以选择空集来得到和为0。
状态转移方程
我们遍历数组nums中的每个数字num,并更新dp数组。对于每个数字num,我们从target开始遍历到num(包括num),更新dp[i] = dp[i] + dp[i - num]。这样做的原因是:如果存在一个子集的和为i-num,那么加上num之后,这个子集的和就变成了i。
class Solution:
def findTargetSumWays(self, nums: List[int], target: int) -> int:
total_sum = sum(nums) # 计算nums的总和
if abs(target) > total_sum:
return 0 # 此时没有方案
if (target + total_sum) % 2 == 1:
return 0 # 此时没有方案
target_sum = (target + total_sum) // 2 # 目标和
# 创建二维动态规划数组,行表示选取的元素数量,列表示累加和
dp = [[0] * (target_sum + 1) for _ in range(len(nums) + 1)]
# 初始化状态
dp[0][0] = 1
# 动态规划过程
for i in range(1, len(nums) + 1):
for j in range(target_sum + 1):
dp[i][j] = dp[i - 1][j] # 不选取当前元素
if j >= nums[i - 1]:
dp[i][j] += dp[i - 1][j - nums[i - 1]] # 选取当前元素
return dp[len(nums)][target_sum] # 返回达到目标和的方案数
474.一和零
给你一个二进制字符串数组 strs 和两个整数 m 和 n 。
请你找出并返回 strs 的最大子集的大小,该子集中 最多 有 m 个 0 和 n 个 1 。
如果 x 的所有元素也是 y 的元素,集合 x 是集合 y 的 子集 。
示例 1:
-
输入:strs = ["10", "0001", "111001", "1", "0"], m = 5, n = 3
-
输出:4
-
解释:最多有 5 个 0 和 3 个 1 的最大子集是 {"10","0001","1","0"} ,因此答案是 4 。 其他满足题意但较小的子集包括 {"0001","1"} 和 {"10","1","0"} 。{"111001"} 不满足题意,因为它含 4 个 1 ,大于 n 的值 3 。
示例 2:
- 输入:strs = ["10", "0", "1"], m = 1, n = 1
- 输出:2
- 解释:最大的子集是 {"0", "1"} ,所以答案是 2 。
提示:
- 1 <= strs.length <= 600
- 1 <= strs[i].length <= 100
- strs[i] 仅由 '0' 和 '1' 组成
- 1 <= m, n <= 100
class Solution:
def findMaxForm(self, strs: List[str], m: int, n: int) -> int:
dp = [[0] * (n + 1) for _ in range(m + 1)] # 创建二维动态规划数组,初始化为0
for s in strs: # 遍历物品
zeroNum = s.count('0') # 统计0的个数
oneNum = len(s) - zeroNum # 统计1的个数
for i in range(m, zeroNum - 1, -1): # 遍历背包容量且从后向前遍历
for j in range(n, oneNum - 1, -1):
dp[i][j] = max(dp[i][j], dp[i - zeroNum][j - oneNum] + 1) # 状态转移方程
return dp[m][n]