力扣-动态规划-474. 一和零
494. 目标和
题目描述
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
来源:力扣(LeetCode)
链接:https://leetcode-cn.com/problems/ones-and-zeroes
著作权归领扣网络所有。商业转载请联系官方授权,非商业转载请注明出处。
解题思路:动态规划 01背包
今天这道题做的心塞,刚开始没有读懂题目,不确定这个最大子集的最大是什么意思,然后下意识的觉得这道题目很难,然后直接看了答案的思路,发现这道题确实很难[手动滑稽 ]。题目的最大子集的意思是说数组中的每个字符串要么选择,要么不选择,最后在满足0和1的个数不超过m和n情况下的最多的元素的数量。既然每个元素要么选择,要么不选择,那基本就是01背包没的说了。
看完答案思路直呼秒啊,这道题是对01背包的加强版应用,将背包容量上升到两个维度。0和1的数量限定不超过m和n,m和n同时都作为背包的容量,物品也就是数组的元素,每个元素中包含的0和1的个数就代表物品的重量,每个物品的价值都是1。在遍历这个问题时,需要考虑清楚外层循环和内层循环的内容。根据我自己的理解,在01背包问题中,每个物品只有两种选择,选择或者不选择,在对每个物品做选择时,我们要用前面的背包容量的结果来推导后面的背包容量的结果,因此需要把每种背包容量遍历一遍。所以01背包问题我们将物品遍历放在外层,将背包容量放在内层,这样逻辑才是契合的。此外就是遍历顺序,为了不让前面已经遍历过的值重复出现,我们从后向前遍历,避免计算两次。
这道题的难点在于理解两个维度的背包容量。另外在做这道题时,我发现了对于普通数组,用普通for循环消耗的时间要比用增强for循环的时间短,因此我反编译了两种循环的代码,进行了比较,具体内容放在下一篇博客:链接地址:https://blog.csdn.net/qianxunsiyue/article/details/123908177,避免本文内容过长。
我自己写的代码如下,代码已经加了注释,各位小伙伴如果有什么问题可以在评论里提出来,欢迎大家交流。
//满足条件的子集中,选择尽可能多的子集
//秃了,一开始没有读懂题目
//字符串数组中每个元素-物品 0和1的个数分别作为两个维度的背包容量
//对于固定大小的背包容量,每个物品都要把从0到给定的背包容量遍历一遍,后面的容量要由前面的容量来推导
//每个元素的价值都是1 每个元素中0和1的个数就是两个维度的重量
//1.dp[i][j] 最多有i个0和j个1,从字符串数组中得到到子集最大长度
//2.dp[i][j] = max(dp[i - zeroNum][j - oneNum] + 1, dp[i][j])
//3.初始化 对第一个物品进行初始化
//4.遍历顺序 最外层是物品 最内层是背包容量 背包容量的两个维度可以交换顺序
//5.举例推导
public int findMaxForm(String[] strs, int m, int n) {
int[][] dp = new int[m + 1][n + 1];
for (String str : strs) {//遍历物品
int zeroNum = 0;
int oneNum = 0;
for (char ch : str.toCharArray()) {
if (ch == '0') {
zeroNum++;
} else {
oneNum++;
}
}
for (int i = m; i >= zeroNum; i--) {//遍历背包容量维度1
for (int j = n; j >= oneNum; j--) {//遍历背包容量维度2
dp[i][j] = Math.max(dp[i][j], dp[i - zeroNum][j - oneNum] + 1);
}
}
}
return dp[m][n];
}