leetcode 879.盈利计划

1.任务 task

        （1）题目描述：集团里有 n 名员工，他们可以完成各种各样的工作创造利润。第 i 种工作会产生 profit[i] 的利润，它要求 group[i] 名成员共同参与。如果成员参与了其中一项工作，就不能参与另一项工作。工作的任何至少产生 minProfit 利润的子集称为 盈利计划 。并且工作的成员总数最多为 n 。有多少种计划可以选择？因为答案很大，所以 返回结果模 10^9 + 7 的值。

        示例 1：

        输入：n = 5, minProfit = 3, group = [2,2], profit = [2,3]

        输出：2

        解释：至少产生 3 的利润，该集团可以完成工作 0 和工作 1 ，或仅完成工作 1 。总的来说，有两种计划。

        示例 2：

        输入：n = 10, minProfit = 5, group = [2,3,5], profit = [6,7,8]

        输出：7

        解释：至少产生 5 的利润，只要完成其中一种工作就行，所以该集团可以完成任何工作。有 7 种可能的计划：(0)，(1)，(2)，(0,1)，(0,2)，(1,2)，以及 (0,1,2)。

2.任务分解

        传统传统的0-1背包问题采用的方法有很多种，此题采用动态规划来完成。本题从直观上看并不是简单的0-1背包问题，而是多重背包问题。此种问题的解法类似于简单的0-1背包问题，关键在于状态转移方程的查找，将问题转化并分解为寻找状态转移方程、dp数组设计及初始化。

        分层此处简要分为两层，第一层为I/O，确定输入输出的变量和结构，第二层是状态转换方程的具体实现。

3.关键变量

        输入：

        n：n名worker；

        minProfit：指定达到的最小利润；

        group[ ]，profit[ ]：分别对应于特定工作的人数和能产生的利润。

        输出：

        dp[n][minProfit]：对应于最多使用n名worker、至少产生minProfit的方案数。    

4.算法步骤

        （1）此处是多重背包问题，可采用三维数组来解决，定义数组dp[i][j][k],含义为前i个工作，使用人数为j个，利润至少为k的方案数，为优化算法执行的速度，我们知道dp[i][j][k]中的i只与[i-1]有关，因此我们可以采用二维数组dp[j][k]来解决问题，不过此时的含义表示最多使用j个人至少产生k利润的方案数，去掉i后应倒序推导，否则会出现值被覆盖的情况；

        （2）确定dp数组初始化的值，二维数组dp[j][k],当k = 0时，无论人数，其为1种方案，可初始化dp数组dp[j][0] = 1;

        （3）确定状态转换方程。将每种工作看作一个物品，对于每件物品，和0-1背包问题类似，我们可选可不选，选为1，不选为0。

        利润k-profit[i-1]出现负值时，表示没有利润，令为0即可，此处的dp[j][k]应为两种情况的和。

        （4）返回最多使用n名工人，至少利润为minProfit的方案数dp[n][minProfit]。

5.算法流程图

        

6.code

//java
class Solution {
    public int profitableSchemes(int n, int minProfit, int[] group, int[] profit) {
        int mod = (int)1e9 + 7;//按题目要求取模
        int [][]dp = new int[n+1][minProfit+1]; //降维处理
        for(int i = 0; i <= n; i++)  //dp数组初始化，利润为0，人数无要求，方案数为1
            dp[i][0] = 1;
        for(int i = 1; i <= group.length; i++){    // 状态转换方程递推
            for(int j = n; j >= group[i-1]; j--){
                for(int k = minProfit; k >= 0; k--){
                    int s = Math.max(0, (k - profit[i-1])); //为负表示什么都不做，设为0
                    dp[j][k] = (dp[j][k] + dp[j-group[i-1]][s]) % mod;
                }
            }
        }
        return dp[n][minProfit];  
    }
}

7.总结

        0-1背包问题的变种很多，如完全背包问题、多重背包问题等，若采用DP来解决，关键问题在于dp数组的设计、初始化以及状态转移方程的推导，dp数组的设计在一定程度上能够影响算法的执行速度。

        如有理解错误请批评指正。