算法训练营Day44 第九章 动态规划part6

第一部分 完全背包理论基础

        完全背包问题就是给定背包的容量，并给出一组物品的重量与价值，问这个背包中能装的最大价值是多少，并且每个物品可以使用无限次。与01背包的区别就在于：01背包问题中，每个物品最多只能用一次，而完全背包问题中的背包可以用无数次。

        完全背包是要求从前向后遍历的，这与01背包也是不同的，对于一维数组求01背包问题，应该从后向前遍历，这是因为每个物品只能被放入背包一次，从前向后会导致重复放入（因为递推公式依赖于上一行左侧数据）；而完全背包必须从前向后，它的递推公式依赖于这一行的左侧数据。对于纯完全背包问题而言，先遍历物品还是先遍历背包效果是一样的，都能得到正确结果。但是，对于某些题目而言，遍历顺序就变得很关键了！下面两道题目就会说明这个情况。

第一题 518. 零钱兑换 II 

        这道题是一个完全背包中的组合问题，也就是说元素的顺序不会有影响（例如：【1，1，2】与【2，1，1】这两中形式等同）。

按照动归五部曲来解题：

1.确定dp数组下标含义：用dp[j]来表示凑出总金额为j的方式数量；

2.确定递推公式：对于组合问题，公式为：dp[j] += dp[j - nums[i]]；

3.初始化dp数组：令dp[0] = 1，其余为0；

4.确定遍历顺序：对于完全背包中的组合问题，应当先遍历物品，后遍历背包容量；并且，要从前向后依次遍历更新数组。

5.打印dp数组：有问题的话就打印dp数组来debug。

根据上述步骤，可以得出如下代码：

class Solution {
public:
    int change(int amount, vector<int>& coins) {
        vector<int> dp(amount + 1, 0);
        dp[0] = 1;
        for(int i = 0; i < coins.size(); i++) {
            for(int j = coins[i]; j <= amount; j++) {
                dp[j] += dp[j - coins[i]];
            }
        }
        return dp[amount];
    }
};

第二题 377. 组合总和 Ⅳ

        这道题很明显是一个排列问题，因为题目告诉我们，(1, 1, 2) 和(1, 2, 1)是两个不同的结果。与此同时，可以发现这是一个完全背包问题，背包容量为target，求刚好放满背包的情况有多少种？与上一题非常相似，唯一的不同就在于本题是排列。对于排列，我们应该先遍历背包容量，后遍历物品。

按照动归五部曲写出代码如下：

class Solution {
public:
    int combinationSum4(vector<int>& nums, int target) {
        vector<int> dp(target + 1);
        dp[0] = 1;
        for(int j = 0; j <= target; j++){ //先遍历背包容量
            for(int i = 0; i < nums.size(); i++) { //后遍历物品
                if(j >= nums[i] && dp[j] < INT_MAX - dp[j - nums[i]])
                    dp[j] += dp[j - nums[i]];
            }
        }
        return dp[target];
    }
};

总结

        今天学习了完全背包相关知识，可以发现，对排列和组合不同要求的题目，遍历顺序极其关键。Day44打卡！