本篇博客是基于Carl大佬的刷题笔记 (代码随想录) 进行总结的
另外加入了我自己的一些整理,特此记录,以防遗忘
几种在面试中常见的背包,其关系如下:
通过这个图,可以很清晰分清这几种常见背包之间的关系。
一、基本步骤
- 确定dp数组(dp table)以及下标的含义
- 确定递推公式
- dp数组如何初始化
- 确定遍历顺序
- 举例推导dp数组
其实这五部里哪一步都很关键,确定递推公式和确定遍历顺序都具有规律性和代表性,所以下面为从这两点来对背包问题做的一些总结。
二、背包递推公式
1.问能否能装满背包(或者最多装多少): d p [ j ] = m a x ( d p [ j ] , d p [ j − n u m s [ i ] ] + n u m s [ i ] ) dp[j] = max(dp[j], dp[j - nums[i]] + nums[i]) dp[j]=max(dp[j],dp[j−nums[i]]+nums[i]) ,对应题目如下:
2.问装满背包有几种方法: d p [ j ] + = d p [ j − n u m s [ i ] ] dp[j] += dp[j - nums[i]] dp[j]+=dp[j−nums[i]] ,对应题目如下:
3.问背包装满最大价值: d p [ j ] = m a x ( d p [ j ] , d p [ j − w e i g h t [ i ] ] + v a l u e [ i ] ) ; dp[j] = max(dp[j], dp[j - weight[i]] + value[i]); dp[j]=max(dp[j],dp[j−weight[i]]+value[i]);,对应题目如下:
问装满背包所有物品的最小个数: d p [ j ] = m i n ( d p [ j − c o i n s [ i ] ] + 1 , d p [ j ] ) ; dp[j] = min(dp[j - coins[i]] + 1, dp[j]); dp[j]=min(dp[j−coins[i]]+1,dp[j]); ,对应题目如下:
三、遍历顺序
01背包
二维dp数组01背包先遍历物品还是先遍历背包都是可以的,且第二层for循环是从小到大遍历。
一维dp数组01背包只能先遍历物品再遍历背包容量,且第二层for循环是从大到小遍历。
一维dp数组的背包在遍历顺序上和二维dp数组实现的01背包其实是有很大差异的!
完全背包
说完01背包,再看看完全背包。
纯完全背包的一维dp数组实现,先遍历物品还是先遍历背包都是可以的,且第二层for循环是从小到大遍历。
但是仅仅是纯完全背包的遍历顺序是这样的,题目稍有变化,两个for循环的先后顺序就不一样了。
如果求组合数就是外层for循环遍历物品,内层for遍历背包。
如果求排列数就是外层for遍历背包,内层for循环遍历物品。
相关题目如下:
如果求最小数,那么两层for循环的先后顺序就无所谓了,相关题目如下:
对于背包问题,其实递推公式算是容易的,难是难在遍历顺序上,如果把遍历顺序搞透,才算是真正理解了。
四、总结
这篇背包问题总结篇是对背包问题的高度概括,讲最关键的两步:递推公式和遍历顺序,结合力扣上的题目全都抽象出来了。
而且每一个点,都给出了对应的力扣题目。
五、代码
01背包问题的母题(代码如下)
#include<iostream>
#include<vector>
#include<algorithm>
#include<string>
using namespace std;
int test_01_package(vector<int> &value, vector<int> &weight, int bagWeight)
{
// 使用dp算法求解最大容量为4的背包可以装载物品的最大价值
// 1.创建dp数组 dp[i][j]表示容量为j的背包的从物品0~i中任取物品后可装载的最大价值
vector<vector<int>> dp(weight.size(), vector<int>(bagWeight + 1));
// 3.初始化dp数组
for (size_t i = 0; i < weight.size(); i++) {
dp[i][0] = 0;
}
for (int j = 0; j < weight[0]; j++) {
dp[0][j] = 0;
}
for (int j = weight[0]; j <= bagWeight; j++) {
dp[0][j] = value[0];
}
// 2.递归公式
// dp[i][j] 表示容量为j的背包的从物品0~i中任取物品后可装载的最大价值
// 其值的获取可以由两种情况递推得到(分情况讨论)
// a.肯定不取物品i dp[i][j] = dp[i-1][j]
// b.既可以取也可以不取物品i max(dp[i-1][j-weight[i]] + value, dp[i-1][j])
// 4.遍历
for (size_t i = 1; i < weight.size(); i++) {
for (int j = 1; j <= bagWeight; j++)
{
if(j < weight[i])
dp[i][j] = dp[i - 1][j];
else
dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]);
}
}
// 5.返回结果
return dp[weight.size() - 1][bagWeight];
}
/*
* 1.dp数组创建 dp[j] 表示容量为i的背包所能装载的最大价值
* 3.初始化 dp[j]数组 在只有一个物品0可选时 选该物品dp[j]!=0 不选该物品dp[j]==0 因此dp数组应该初始化为0
* 由于是 vector<int> 编译器默认初始化为0 故这步可以省略
* 2.递推公式
* dp[j] = max(dp[j], dp[j - weight[j]] + value[i])
* 本质上是二维dp数组中的第i行复用了dp数组中的第i-1行 同时为了避免dp[i][j]覆盖了dp[i-1][j]
* 进一步影响dp[i][j++...]的递推求解 所以遍历顺利应该改成从大到小 从右向左的顺序
* 4.遍历
* 5.返回最终值
*/
int test_01_package_scroll(vector<int>& value, vector<int>& weight, int bagWeight)
{
vector<int> dp(bagWeight + 1);
for (int i = 0; i < weight.size(); i++) {
for (int j = bagWeight; j >= weight[i]; j--)
{
dp[j] = max(dp[j], dp[j - weight[i]] + value[i]);
}
}
return dp[bagWeight];
}
int main() {
// 1.物品价值
vector<int> value = {15, 20, 30};
// 2.物品重量
vector<int> weight = {1, 3, 4};
// 3.背包容量
int bagWeight = 4;
cout << "test_01_package:";
cout << test_01_package(value, weight, bagWeight) << endl;
cout << "test_01_package_scroll:";
cout << test_01_package_scroll(value, weight, bagWeight) << endl;
return 0;
}
完全背包问题的母题(代码如下)
#include <iostream>
#include <vector>
#include <algorithm>
using namespace std;
/*
* 对于完全背包问题, 有如下几条结论:
* 1、因为是完全背包问题,所以正序遍历dp[j]
* 2、如果是组合问题,应该先遍历物品(外循环) 再遍历背包容量(内循环)
* 因为物品在外边循环,假如背包容量为4, 物品被遍历到的顺序是[1, 3, 4...], 那么物品的顺序只能是{1, 3} 而不能是{3, 1}
* 3、如果是排列问题,应该先遍历背包容量(外循环) 再遍历物品(内循环)
*/
int test_completePackage(vector<int> &value, vector<int> &weight, int bagweight)
{
// 1.dp数组
vector<int> dp(bagweight + 1);
// 2.初始化
// dp[0] = 0;
// 3.递归公式
// dp[j] = max(dp[j], dp[j - weight[i]] + value[i]);
// 4.遍历
for (size_t i = 0; i < value.size(); i++)
{
for (int j = weight[i]; j <= bagweight; j++)
{
dp[j] = max(dp[j], dp[j - weight[i]] + value[i]);
}
}
// 5.返回结果
return dp[bagweight];
}
int main() {
vector<int> weight = {1, 3, 4};
vector<int> value = {15, 20, 30};
int bagWeight = 4;
cout << test_completePackage(value, weight, bagWeight) << endl;
return 0;
}
多重背包问题的母题(代码如下)
/*
* 多重背包问题
* 指定背包重量为j 求解背包容量为j时 从下属数组描述的物品中选取 试问该背包所能装载的最大价值是多少?其中物品的数目是一个有限值
* 物品的重量为weight[]表示
* 物品的价值为value[]表示
* 物品的数目为nums[]表示---->注意:这里正是多重背包问题与01背包问题、完全背包问题的区别之处
*
* 解题思路: 将多重背包平铺开来,就变成了01背包问题 如下所示:
* 物品重量 weight[i] = {1, 3, 4};
* 物品价值 value[i] = {15, 20, 30};
* 物品数目 nums[i] = {2, 3, 2};
* 平铺后等价于--->
* 物品重量 weight[i] = {1, 1, 3, 3, 3, 4, 4};
* 物品价值 value[i] = {15, 15, 15, 20, 20, 20, 30, 30};
* 物品数目 nums[i] = {1, 1, 1, 1, 1, 1, 1};
* 也就可以直接使用01问题解决了
*/
#include <algorithm>
#include <iostream>
#include <vector>
using namespace std;
int test_MultiPackage(vector<int> w, vector<int> v, vector<int> n, int bagWeight) {
// 一.平铺问题变成01背包
for (size_t i = 0; i < n.size(); i++)
{
while (n[i] > 1)
{
w.push_back(w[i]);
v.push_back(v[i]);
n[i]--;
}
}
// 二.按照01问题解决
vector<int> dp(bagWeight + 1);
dp[0] = 0;
for (size_t i = 0; i < w.size(); i++)
{
for (int j = bagWeight; j >= w[i] ; j--)
{
dp[j] = max(dp[j], dp[j - w[i]] + v[i]);
}
}
return dp[bagWeight];
}
int main() {
vector<int> weight = {1, 3, 4};
vector<int> value = {15, 20, 30};
vector<int> nums = {2, 3, 2};
int bagWeight = 10;
cout << test_MultiPackage(weight, value, nums, bagWeight) << endl;
return 0;
}