代码随想录刷题day35丨 01背包问题 二维 ,01背包问题 一维 ,416. 分割等和子集
1.动态规划:01背包理论基础
-
对于面试的话,其实掌握01背包和完全背包,就够用了,最多可以再来一个多重背包。
如果这几种背包,分不清,我这里画了一个图,如下:
-
完全背包又是也是01背包稍作变化而来,即:完全背包的物品数量是无限的。
-
背包问题的理论基础重中之重是01背包,一定要理解透!
-
01 背包
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。
2.题目
2.1背包问题 二维
-
视频讲解:带你学透0-1背包问题!| 关于背包问题,你不清楚的地方,这里都讲了!| 动态规划经典问题 | 数据结构与算法_哔哩哔哩_bilibili
-
文档讲解:https://programmercarl.com/%E8%83%8C%E5%8C%85%E7%90%86%E8%AE%BA%E5%9F%BA%E7%A1%8001%E8%83%8C%E5%8C%85-1.html
-
解题思路:动态规划
-
确定dp数组以及下标的含义
有两个维度需要分别表示:物品i 和 背包容量j 如图,二维数组为 dp[i][j]
-
- dp数组的含义
```java
dp[i][j] 表示从下标为[0-i]的物品里任意取,放进容量为j的背包,价值总和最大是多少
dp[1][4] 表示什么意思呢?
任取 物品0,物品1 放进容量为4的背包里,最大价值是 dp[1][4]。
```
-
确定递推公式
求取 dp[1][4] 有两种情况:放物品1,还是不放物品1 如果不放物品1, 那么背包的价值应该是 dp[0][4] 即 容量为4的背包,只放物品0的情况 如果放物品1, 那么背包要先留出物品1的容量,目前容量是4,物品1 的容量(就是物品1的重量)为3,此时背包剩下容量为1。 容量为1,只考虑放物品0 的最大价值是 dp[0][1],这个值我们之前就计算过。 所以 放物品1 的情况 = dp[0][1] + 物品1 的价值 两种情况,分别是放物品1 和 不放物品1,我们要取最大值(毕竟求的是最大价值) dp[1][4] = max(dp[0][4], dp[0][1] + 物品1 的价值)
-
以上过程,抽象化如下:
不放物品i:背包容量为j,里面不放物品i的最大价值是dp[i - 1][j]。 放物品i:背包空出物品i的容量后,背包容量为j - weight[i],dp[i - 1][j - weight[i]] 为背包容量为j - weight[i]且不放物品i的最大价值,那么dp[i - 1][j - weight[i]] + value[i] (物品i的价值),就是背包放物品i得到的最大价值 递归公式: dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]);
-
-
dp数组如何初始化
关于初始化,一定要和dp数组的定义吻合,否则到递推公式的时候就会越来越乱。 首先从dp[i][j]的定义出发,如果背包容量j为0的话,即dp[i][0],无论是选取哪些物品,背包价值总和一定为0。 再看其它情况。 状态转移方程 dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]); 可以看出i 是由 i-1 推导出来,那么i为0的时候就一定要初始化。 dp[0][j],即:i为0,存放编号0的物品的时候,各个容量的背包所能存放的最大价值。 那么很明显当 j < weight[0]的时候,dp[0][j] 应该是 0,因为背包容量比编号0的物品重量还小。 当j >= weight[0]时,dp[0][j] 应该是value[0],因为背包容量放足够放编号0物品。
for (int j = 0 ; j < weight[0]; j++) { // 当然这一步,如果把dp数组预先初始化为0了,这一步就可以省略,但很多同学应该没有想清楚这一点。 dp[0][j] = 0; } // 正序遍历 for (int j = weight[0]; j <= bagweight; j++) { dp[0][j] = value[0]; }
-
确定遍历顺序
先遍历 物品还是先遍历背包重量呢? 其实都可以!! 但是先遍历物品更好理解。
// weight数组的大小 就是物品个数 for(int i = 1; i < weight.size(); i++) { // 遍历物品 for(int j = 0; j <= bagweight; j++) { // 遍历背包容量 if (j < weight[i]) dp[i][j] = dp[i - 1][j]; else dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]); } }
-
举例推导dp数组
-
代码:
import java.util.Scanner; public class Main { public static void main(String[] args) { Scanner scanner = new Scanner(System.in); int n = scanner.nextInt(); int bagweight = scanner.nextInt(); int[] weight = new int[n]; int[] value = new int[n]; for (int i = 0; i < n; ++i) { weight[i] = scanner.nextInt(); } for (int j = 0; j < n; ++j) { value[j] = scanner.nextInt(); } int[][] dp = new int[n][bagweight + 1]; for (int j = weight[0]; j <= bagweight; j++) { dp[0][j] = value[0]; } for (int i = 1; i < n; i++) { for (int j = 0; j <= bagweight; j++) { if (j < weight[i]) { dp[i][j] = dp[i - 1][j]; } else { dp[i][j] = Math.max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]); } } } System.out.println(dp[n - 1][bagweight]); } }
-
总结:
- 做动态规划的题目,最好的过程就是自己在纸上举一个例子把对应的dp数组的数值推导一下,然后在动手写代码!
2.2背包问题 一维
-
文档讲解:https://programmercarl.com/%E8%83%8C%E5%8C%85%E7%90%86%E8%AE%BA%E5%9F%BA%E7%A1%8001%E8%83%8C%E5%8C%85-2.html
-
解题思路:动态规划
-
滚动数组,就是把二维dp降为一维dp
-
一维dp数组(滚动数组)
对于背包问题其实状态都是可以压缩的。 在使用二维数组的时候,递推公式:dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]); 其实可以发现如果把dp[i - 1]那一层拷贝到dp[i]上,表达式完全可以是:dp[i][j] = max(dp[i][j], dp[i][j - weight[i]] + value[i]); 与其把dp[i - 1]这一层拷贝到dp[i]上,不如只用一个一维数组了,只用dp[j](一维数组,也可以理解是一个滚动数组)。 这就是滚动数组的由来,需要满足的条件是上一层可以重复利用,直接拷贝到当前层。
-
动规五部曲分析如下:
-
确定dp数组的定义
在一维dp数组中,dp[j]表示:容量为j的背包,所背的物品价值可以最大为dp[j]。
-
一维dp数组的递推公式
递推公式为:dp[j] = max(dp[j], dp[j - weight[i]] + value[i]); 以下为分析: dp[j]为 容量为j的背包所背的最大价值。 dp[j]可以通过dp[j - weight[i]]推导出来,dp[j - weight[i]]表示容量为j - weight[i]的背包所背的最大价值。 dp[j - weight[i]] + value[i] 表示 容量为 [j - 物品i重量] 的背包 加上 物品i的价值。(也就是容量为j的背包,放入物品i了之后的价值即:dp[j]) 此时dp[j]有两个选择,一个是取自己dp[j] 相当于 二维dp数组中的dp[i-1][j],即不放物品i,一个是取dp[j - weight[i]] + value[i],即放物品i,指定是取最大的,毕竟是求最大价值 可以看出相对于二维dp数组的写法,就是把dp[i][j]中i的维度去掉了。
-
一维dp数组如何初始化
关于初始化,一定要和dp数组的定义吻合,否则到递推公式的时候就会越来越乱。 dp[j]表示:容量为j的背包,所背的物品价值可以最大为dp[j],那么dp[0]就应该是0,因为背包容量为0所背的物品的最大价值就是0。 那么dp数组除了下标0的位置,初始为0,其他下标应该初始化多少呢? 看一下递归公式:dp[j] = max(dp[j], dp[j - weight[i]] + value[i]); dp数组在推导的时候一定是取价值最大的数,如果题目给的价值都是正整数那么非0下标都初始化为0就可以了。 这样才能让dp数组在递归公式的过程中取的最大的价值,而不是被初始值覆盖了。 那么我假设物品价值都是大于0的,所以dp数组初始化的时候,都初始为0就可以了。
-
一维dp数组遍历顺序
for(int i = 0; i < weight.size(); i++) { // 遍历物品 for(int j = bagWeight; j >= weight[i]; j--) { // 遍历背包容量 dp[j] = max(dp[j], dp[j - weight[i]] + value[i]); } } 这里大家发现和二维dp的写法中,遍历背包的顺序是不一样的! 二维dp遍历的时候,背包容量是从小到大,而一维dp遍历的时候,背包是从大到小。 为什么呢? 倒序遍历是为了保证物品i只被放入一次!。但如果一旦正序遍历了,那么物品0就会被重复加入多次! 那么问题又来了,为什么二维dp数组遍历的时候不用倒序呢? 因为对于二维dp,dp[i][j]都是通过上一层即dp[i - 1][j]计算而来,本层的dp[i][j]并不会被覆盖! 再来看看两个嵌套for循环的顺序,代码中是先遍历物品嵌套遍历背包容量,那可不可以先遍历背包容量嵌套遍历物品呢? 不可以! 因为一维dp的写法,背包容量一定是要倒序遍历(原因上面已经讲了),如果遍历背包容量放在上一层,那么每个dp[j]就只会放入一个物品,即:背包里只放入了一个物品。 所以一维dp数组的背包在遍历顺序上和二维其实是有很大差异的!
-
举例推导dp数组
-
-
-
代码:
import java.util.Scanner; public class Main { public static void main(String[] args) { Scanner scanner = new Scanner(System.in); // 读取 M 和 N int M = scanner.nextInt(); // 研究材料的数量 int N = scanner.nextInt(); // 行李空间的大小 int[] costs = new int[M]; // 每种材料的空间占用 int[] values = new int[M]; // 每种材料的价值 // 输入每种材料的空间占用 for (int i = 0; i < M; i++) { costs[i] = scanner.nextInt(); } // 输入每种材料的价值 for (int j = 0; j < M; j++) { values[j] = scanner.nextInt(); } // 创建一个动态规划数组 dp,初始值为 0 int[] dp = new int[N + 1]; // 外层循环遍历每个类型的研究材料 for (int i = 0; i < M; i++) { // 内层循环从 N 空间逐渐减少到当前研究材料所占空间 for (int j = N; j >= costs[i]; j--) { // 考虑当前研究材料选择和不选择的情况,选择最大值 dp[j] = Math.max(dp[j], dp[j - costs[i]] + values[i]); } } // 输出 dp[N],即在给定 N 行李空间可以携带的研究材料的最大价值 System.out.println(dp[N]); scanner.close(); } }
-
总结:
- 使用一维dp数组的写法,比较直观简洁,而且空间复杂度比二维dp还降了一个数量级!
2.3分割等和子集
-
文档讲解:https://programmercarl.com/0416.%E5%88%86%E5%89%B2%E7%AD%89%E5%92%8C%E5%AD%90%E9%9B%86.html
-
解题思路:动态规划(背包问题)
-
只有确定了如下四点,才能把01背包问题套到本题上来。
- 背包的体积为sum / 2
- 背包要放入的商品(集合里的元素)重量为 元素的数值,价值也为元素的数值
- 背包如果正好装满,说明找到了总和为 sum / 2 的子集。
- 背包中每一个元素是不可重复放入。
-
动规五部曲分析如下:
-
确定dp数组以及下标的含义
01背包中,dp[j] 表示: 容量为j的背包,所背的物品价值最大可以为dp[j]。 本题中每一个元素的数值既是重量,也是价值。 套到本题,dp[j]表示 背包总容量(所能装的总重量)是j,放进物品后,背的最大重量为dp[j]。 那么如果背包容量为target, dp[target]就是装满 背包之后的重量,所以 当 dp[target] == target 的时候,背包就装满了。 那还有装不满的时候? 拿输入数组 [1, 5, 11, 5],举例, dp[7] 只能等于 6,因为 只能放进 1 和 5。 而dp[6] 就可以等于6了,放进1 和 5,那么dp[6] == 6,说明背包装满了。
-
确定递推公式
01背包的递推公式为:dp[j] = max(dp[j], dp[j - weight[i]] + value[i]); 本题,相当于背包里放入数值,那么物品i的重量是nums[i],其价值也是nums[i]。 所以递推公式:dp[j] = max(dp[j], dp[j - nums[i]] + nums[i]);
-
dp数组如何初始化
在01背包,一维dp如何初始化,已经讲过, 从dp[j]的定义来看,首先dp[0]一定是0。 如果题目给的价值都是正整数那么非0下标都初始化为0就可以了,如果题目给的价值有负数,那么非0下标就要初始化为负无穷。 这样才能让dp数组在递推的过程中取得最大的价值,而不是被初始值覆盖了。 本题题目中 只包含正整数的非空数组,所以非0下标的元素初始化为0就可以了。
-
确定遍历顺序
如果使用一维dp数组,物品遍历的for循环放在外层,遍历背包的for循环放在内层,且内层for循环倒序遍历! // 开始 01背包 for(int i = 0; i < nums.size(); i++) { for(int j = target; j >= nums[i]; j--) { // 每一个元素一定是不可重复放入,所以从大到小遍历 dp[j] = max(dp[j], dp[j - nums[i]] + nums[i]); } }
-
举例推导dp数组
dp[j]的数值一定是小于等于j的。 如果dp[j] == j 说明,集合中的子集总和正好可以凑成总和j,理解这一点很重要。 用例1,输入[1,5,11,5] 为例,如图:
最后dp[11] == 11,说明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。
-
-
-
代码:
//时间复杂度:O(n^2) //空间复杂度:O(n) class Solution { public boolean canPartition(int[] nums) { int sum = 0; for(int i = 0;i < nums.length;i++){ sum += nums[i]; } //总和为奇数,不能平分 if(sum % 2 != 0){ return false; } int target = sum / 2; int[] dp = new int[target + 1]; for(int i = 0;i < nums.length;i++){ for(int j = target;j >= nums[i];j--){ dp[j] = Math.max(dp[j],dp[j - nums[i]] + nums[i]); } //剪枝一下 if(dp[target] == target){ return true; } } return dp[target] == target; } }
-
总结:
这道题目就是一道01背包应用类的题目,需要我们拆解题目,然后套入01背包的场景。 01背包相对于本题,主要要理解,题目中物品是nums[i],重量是nums[i],价值也是nums[i],背包体积是sum/2。