代码随想录算法训练营第四十三天 | 1049. 最后一块石头的重量 II、494. 目标和、474.一和零
1049. 最后一块石头的重量 II
动态规划算法
思路:
- 确定 dp 数组以及下标的含义: dp[j] 代表容量为 j 的背包所装石头的最大重量;
- 确定递推公式: 参考 01 背包的一维解法,dp[j] = Math.max(dp[j - 1], dp[j - weight[i]] + value[i]),可知本题的递推公式为 dp[j] = Math.max(dp[j - 1], dp[j - stones[i]] + stones[i]);
- dp数组如何初始化 从dp[j]的定义来看,首先 dp[0] 一定是 0。本题中石头的重量一定为正数,所以非 0 下标的元素初始化为 0 就可以了。
- 确定遍历顺序 参考 01 背包一维解法的遍历顺序,必须先遍历物品再遍历背包。
- 举例推导dp数组 如图所示
class Solution {
public int lastStoneWeightII(int[] stones) {
int sum = 0;
for (int weight : stones) {
sum += weight;
}
int target = sum / 2;
// 1.确定 dp 数组及下标含义
int[] dp = new int[target + 1];
// 3.初始化 dp 数组
dp[0] = 0;
// 4.确定遍历顺序
for (int i = 0; i < stones.length; i++) {
// 滚动数组的内层循环需要倒序
for (int j = target; j >= stones[i]; j--) {
// 2.确定递推公式
dp[j] = Math.max(dp[j], dp[j - stones[i]] + stones[i]);
}
}
// 5.打印 dp 数组
// 在计算 target 的时候,target = sum / 2 因为是向下取整,
// 所以 sum - dp[target] 一定大于等于 dp[target]。
return sum - 2 * dp[target];
}
}
494. 目标和
动态规划算法
思路:假设 left 为待添加 ‘+’ 号的元素集合,right 为待添加 ‘-’ 号的元素集合,则left - right = target;又因为left + right = sum,则由两式可得 left = (target + sum) / 2;
- 确定 dp 数组以及下标的含义: dp[j] 填满 j(包括 j)这么大容积的包,有 dp[j] 种方法
- 确定递推公式: 只要得到 nums[i],凑成 dp[j] 就有 dp[j - nums[i]] 种方法;
所有组合类问题都有类似公式—— dp[j] += dp[j - nums[i]]
- dp数组如何初始化 从递推公式可以看出,在初始化的时候 dp[0] 一定要初始化为 1,因为 dp[0] 是在公式中一切递推结果的起源,如果 dp[0] 是 0 的话,递推结果将都是 0。
- 确定遍历顺序 参考 01 背包一维解法的遍历顺序,必须先遍历物品再遍历背包,且内循环倒序。
- 举例推导dp数组 如图所示
class Solution {
public int findTargetSumWays(int[] nums, int target) {
int sum = 0;
for (int i = 0; i < nums.length; i++) sum += nums[i];
// 如果 target 过大 sum 将无法满足
// if ( target > 0 && sum < target) return 0;
if ( target < 0 && sum < -target) return 0;
if ((target + sum) % 2 != 0) return 0; // 找不到目标和方法
// size 为正数(添加 '+' 的元素)集合
int size = (target + sum) / 2;
if(size < 0) size = -size;
// 1.确定 dp 数组及下标含义
int[] dp = new int[size + 1];
// 3.初始化 dp 数组
dp[0] = 1;
// 4.确定遍历顺序
for (int i = 0; i < nums.length; i++) {
for (int j = size; j >= nums[i]; j--) {
// 2.确定递推公式
dp[j] += dp[j - nums[i]];
}
}
// 5.打印 dp 数组
return dp[size];
}
}
474.一和零
动态规划算法
思路:本题首先明确是 01 背包不是完全背包,因为物品的数量都是一个,只不过这个背包有两个维度,一个是 m,一个是 n,而不同长度的字符串就是不同大小的待装物品。
- 确定 dp 数组以及下标的含义: 最多有 i 个 0 和 j 个 1 的 strs 的最大子集的大小为 dp[i][j]。
- 确定递推公式:
dp[i][j] 可以由前一个 strs 里的字符串推导出来,strs 里的字符串有 zeroNum 个0,oneNum 个1。dp[i][j] 就可以是 dp[i - zeroNum][j - oneNum] + 1,然后在遍历的过程中,取dp[i][j]的最大值。所以递推公式为 dp[i][j] = max(dp[i][j], dp[i - zeroNum][j - oneNum] + 1);此时对比 01 背包的递推公式:dp[j] = max(dp[j], dp[j - weight[i]] + value[i]); 可以发现字符串的 zeroNum 和 oneNum 相当于物品的重量(weight[i]),字符串本身的个数相当于物品的价值(value[i])。 - dp数组如何初始化 因为物品价值不会是负数,初始为0,保证递推的时候 dp[i][j] 不会被初始值覆盖。
- 确定遍历顺序 参考 01 背包一维解法的遍历顺序,必须先遍历物品再遍历背包,且内循环倒序。物品就是 strs 里的字符串,背包容量就是题目描述中的 m 和 n。
- 举例推导dp数组 如图所示
class Solution {
public int findMaxForm(String[] strs, int m, int n) {
// dp[i][j] 表示 i 个 0 和 j 个 1 时的最大子集
int[][] dp = new int[m + 1][n + 1];
int oneNum, zeroNum;
for (String str : strs) {
oneNum = 0;
zeroNum = 0;
for (char ch : str.toCharArray()) {
if (ch == '0') {
zeroNum++;
} else {
oneNum++;
}
}
// 倒序遍历
for (int i = m; i >= zeroNum; i--) {
for (int j = n; j >= oneNum; j--) {
dp[i][j] = Math.max(dp[i][j],
dp[i - zeroNum][j - oneNum] + 1);
}
}
}
return dp[m][n];
}
}