01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
确定dp数组以及下标的含义
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。
确定递推公式
dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]);
不放物品i:由dp[i - 1][j]推出;放物品i:由dp[i - 1][j - weight[i]]推出
dp数组如何初始化
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。
当 j < weight[0]的时候,dp[0][j] =0;当j >= weight[0]时,dp[0][j] =value[0]。因为dp数组初始化为0,所以不需要特别初始化 j < weight[0]的情况,只需要针对j >= weight[0]的情况进行一波赋值即可。
确定遍历顺序
先遍历物品还是背包重量其实都可以,这是因为递推公式——dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]),本质上只和i-1一行的下标到j的值有关系(ps.只和上一行的值有关系,所以本质上也可以用一维数组来做),也就是说得到这个值就必须要先得到它左上角部分的值,而这两种遍历顺序都能满足。
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!
01背包问题 一维
理论和二维的差不多,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],递推公式是:
dp[j] = max(dp[j], dp[j - weight[i]] + value[i])
一维dp数组初始化
只需初始化所有值为0即可。dp[0]=0此不必说,之后的值也为0,这是因为在没有装入任何物品的(也就是没有正式开始遍历物品)时候所有容量的背包的价值均为0。
一维dp数组遍历顺序
必须先遍历物品然后再遍历背包(也就是先填充完对于特定物品范围的不同容量的背包的最大价值,即dp数组),而且在遍历背包的时候必须倒序遍历。
这均是由递推公式决定的,dp[j] = max(dp[j], dp[j - weight[i]] + value[i])决定了在遍历j的时候,必须保证(j - weight[i])的位置是遍历到上个物品的时候的值(也就是没有遍历到这个物品的时候)(这是通过二递推公式推知的),而不论是颠倒物品和背包的遍历顺序(会是遍历完所有物品的值)还是正序遍历背包(会是遍历完当前物品的值)都会改变j前面的值。
416. 分割等和子集
本题是 01背包的应用类题目
这道题感觉刚学的话,有点难套入01背包。需要分析为什么可以用01背包解决:
- 背包的体积为sum / 2。(只要判断一半即可,只要证明能装满一半容量的背包并且sum是偶数,那么剩下一半的数组自然和为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。(这道题物品的价值==物品的重量)
- 背包如果正好装满,说明找到了总和为 sum / 2 的子集。(这点来讲,也是要背包中装有尽量大价值的物品,只是最后还要看这个价值是否等于sum/2)
- 背包中每一个元素是不可重复放入。(符合01特性)
这样代码就好理解多了。还是用动规五部曲来实现:
- 确定dp数组以及下标的含义。dp[j]是总和最大为 j 的“背包”中能存放的最大的数组总和。
- 递推公式。每次试图更新(更大)dp数组,使得尽量装满(也就是能装就多装),和01背包要面对的问题一样。所以递推公式也是:dp[j] = max(dp[j], dp[j - nums[i]] + nums[i])。
- dp数组初始化。一维dp数组,全部初始化为0。
- 遍历顺序。使用一维数组01背包的遍历顺序即可。
- 列举推导dp数组。注意最后要验证的是dp[sum/2]是不是等于sum/2。
bool canPartition(vector<int>& nums) {
int sum = 0;
// dp[i]中的i表示背包内总和
// 题目中说:每个数组中的元素不会超过 100,数组的大小不会超过 200
// 总和不会大于20000,背包最大只需要其中一半,所以10001大小就可以了
vector<int> dp(10001, 0);
for (int i = 0; i < nums.size(); i++) {
sum += nums[i];
}
// 也可以使用库函数一步求和
// int sum = accumulate(nums.begin(), nums.end(), 0);
if (sum % 2 == 1) return false;
int target = sum / 2;
// 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]);
}
}
// 集合中的元素正好可以凑成总和target
if (dp[target] == target) return true;
return false;
}