一、最后一块石头的重量 II
1.1 题目
有一堆石头,用整数数组 stones
表示。其中 stones[i]
表示第 i
块石头的重量。
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 1:
输入:stones = [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。
示例 2:
输入:stones = [31,26,33,21,40] 输出:5
提示:
1 <= stones.length <= 30
1 <= stones[i] <= 100
1.2 题目链接
1.3 解题思路和过程想法
(1)解题思路
分析:将一堆石头分成总重量相近的两堆,两堆的总差值即为所求
利用动态规划找到总和最贴近 sum(stones) // 2 的值,
# 数组:使用一维数组 dp[j] 记录背包中容量为 j 实际能装的最大重量
target = sum(stones) // 2
dp = [0] * (target+1)
# 递推关系:dp[j] = max(dp[j], dp[j-stones[i]]+stones[i])
# 初始化:dp[0] = 0 赋予一个不会被覆盖的数
(2)过程想法
分析过程有点偏数学,0-1 背包----->找到容量为 j 的背包实际能装的最大重量
1.4 代码
class Solution:
def lastStoneWeightII(self, stones: List[int]) -> int:
# 将一堆石头分成总重量相近的两堆,两堆的总差值即为所求
# 使用一维数组 dp[j] 记录背包中容量为 j 实际能装的最大重量
target = sum(stones) // 2
dp = [0] * (target+1)
# 递推关系:dp[j] = max(dp[j], dp[j-stones[i]]+stones[i])
# 初始化:dp[0] = 0 赋予一个不会被覆盖的数
# 举例递推
for stone in stones: # 遍历物体
for j in range(target,stone-1,-1): # 遍历背包
dp[j] = max(dp[j], dp[j-stone]+stone)
# 两堆的总差值即为所求
return sum(stones) - dp[target]*2
二、目标和
2.1 题目
给你一个非负整数数组 nums
和一个整数 target
。
向数组中的每个整数前添加 '+'
或 '-'
,然后串联起所有整数,可以构造一个 表达式 :
- 例如,
nums = [2, 1]
,可以在2
之前添加'+'
,在1
之前添加'-'
,然后串联起来得到表达式"+2-1"
。
返回可以通过上述方法构造的、运算结果等于 target
的不同 表达式 的数目。
示例 1:
输入:nums = [1,1,1,1,1], target = 3 输出:5 解释:一共有 5 种方法让最终目标和为 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 +1 + 1 + 1 + 1 - 1 = 3
示例 2:
输入:nums = [1], target = 1 输出:1
提示:
1 <= nums.length <= 20
0 <= nums[i] <= 1000
0 <= sum(nums[i]) <= 1000
-1000 <= target <= 1000
2.2 题目链接
2.3 解题思路和过程想法
(1)解题思路
分析:正数+负数=target,正数-负数=sum(nums),|负数|=(sum(nums)-target)//2
即:找到累计和为|负数|的集合种数
回溯:先排序,然后利用 for 语句横向遍历第一个要选的元素,递归语句纵向处理后续元素
0-1背包:
# 边界问题:sum(nums) < target、sum(nums)-target) % 2 == 1
# 数组:数组dp[j] 容量总和为 j 的装法种数
# 只要找到nums[i],凑成dp[j]就有dp[j - nums[i]] 种方法
# 例如:dp[j],j 为4,
# 已经有一个1(nums[i]) 的话,有 dp[3]种方法凑成容量为4的背包
# 已经有一个2(nums[i]) 的话,有 dp[2]种方法凑成容量为4的背包
# 已经有一个3(nums[i]) 的话,有 dp[1]中方法凑成容量为4的背包
# 已经有一个4(nums[i]) 的话,有 dp[0]中方法凑成容量为4的背包
# 凑整dp[4]有多少方法呢,也就是把 所有的 dp[j - nums[i]] 累加起来
# 递推关系:dp[j] += dp[j-i]
# 初始化:dp[0] = 1 !!!
(2)过程想法
最先想到的是回溯法,但回溯法提示时间超时;用0-1背包解法的化,递推关系和初始化需要仔细琢磨
2.4 代码
2.4.1 回溯法(会提示超时)
class Solution:
def backTracing(self,nums,target,sum_minu,startIndex,path):
# 递归出口:找到之后不能立即结束递归,因为元素可能会有 0
if sum(path) == sum_minu:
self.res += 1
# 回溯
for i in range(startIndex,len(nums)):
# 递归出口:此处写 return 是会超时的
if sum(path) > sum_minu:
break
path.append(nums[i])
self.backTracing(nums,target,sum_minu,i+1,path)
path.pop()
def findTargetSumWays(self, nums: List[int], target: int) -> int:
# 分析:最终表达式结果为 target--->选出需减去(相加的也可)数字集合的种数
# 边界问题
if sum(nums) < target:
return 0
if (sum(nums)-target) % 2:
return 0
# 回溯法:for 语句横向遍历第一个要选的元素,递归语句纵向处理后续元素
sum_minu = (sum(nums) - target) // 2
self.res = 0
# 需排序
nums.sort()
self.backTracing(nums,target,sum_minu,0,[])
return self.res
2.4.2 动态规划
class Solution:
def findTargetSumWays(self, nums: List[int], target: int) -> int:
# 分析:最终表达式结果为 target--->选出需减去(相加的也可)数字集合的种数
# 边界问题
if sum(nums) < target:
return 0
if (sum(nums)-target) % 2:
return 0
# 需减去(求相加的也可)数字集合的总和
sum_minu = (sum(nums) - target) // 2
# 数组dp[j] 容量总和为 j 的装法
dp = [0] * (sum_minu+1)
# 只要找到nums[i],凑成dp[j]就有dp[j - nums[i]] 种方法
# 例如:dp[j],j 为4,
# 已经有一个1(nums[i]) 的话,有 dp[3]种方法凑成容量为4的背包
# 已经有一个2(nums[i]) 的话,有 dp[2]种方法凑成容量为4的背包
# 已经有一个3(nums[i]) 的话,有 dp[1]中方法凑成容量为4的背包
# 已经有一个4(nums[i]) 的话,有 dp[0]中方法凑成容量为4的背包
# 凑整dp[4]有多少方法呢,也就是把 所有的 dp[j - nums[i]] 累加起来
# -----> 递推关系:dp[j] += dp[j-i]
# 初始化!!
dp[0] = 1
for num in nums:
for j in range(sum_minu,num-1,-1):
dp[j] += dp[j-num]
return dp[sum_minu]
三、一和零
3.1 题目
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
的最大子集的长度,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
3.2 题目链接
3.3 解题思路和过程想法
(1)解题思路
分析:
# 容器(字符):0和1 ;
# 装满后有多少个物品(子集);
# 每个物品至多只能使用一次(二维物品的 0-1 背包问题)
# 数组dp[i][j] : 最多有 i 个 0 和 j 个 1 的最大子集大小
dp = [[0]*(n+1) for _ in range(m+1)]
# 递推关系:dp[i][j] = max(dp[i][j], dp[i-zeroNum][j-oneNum])
# 初始化:物品价值不会是负数,初值为 0 ,递推时不会覆盖初始值
# 举例递推:外部遍历物品,内部遍历背包
(2)过程想法
最初看到题目是一点思路都没有,后来才发现是二维的 0-1 背包问题
3.4 代码
class Solution:
def findMaxForm(self, strs: List[str], m: int, n: int) -> int:
# 容器(字符):0和1 ;
# 装满后有多少个物品(子集);
# 每个物品至多只能使用一次(二维物品的 0-1 背包问题)
# 数组dp[i][j] : 最多有 i 个 0 和 j 个 1 的最大子集大小
dp = [[0]*(n+1) for _ in range(m+1)]
# 递推关系:dp[i][j] = max(dp[i][j], dp[i-zeroNum][j-oneNum])
# 初始化:物品价值不会是负数,初值为 0 ,递推时不会覆盖初始值
# 举例递推:外部遍历物品,内部遍历背包
for s in strs: # 遍历物品
zeroNum = s.count('0')
oneNum = s.count('1')
for i in range(m,zeroNum-1,-1): # 遍历装'0'的背包
for j in range(n,oneNum-1,-1): # 遍历装'1'的背包
dp[i][j] = max(dp[i][j], dp[i-zeroNum][j-oneNum]+1) # 字符串本身的个数相当于物品的价值
return dp[m][n]