前面讲过0-1背包的问题,这次需要在0-1背包问题上进行一次调整,即完全背包问题。
在这个完全背包的题目中,以我经常逛的刷题网站leetcode似乎还没有纯正的完全背包问题。包括0-1背包,一般会以应用题的形式出完全背包的问题。所以需要了解完全背包,首先我们需要进入其问题本身,而后再进入应用题来充分发挥自己的学习潜能。
1、完全背包简介
问题:有N件物品和一个最多能背重量为W的背包。第i件物品的重量是weight[i],得到的价值是value[i] 。每件物品都有无限个(也就是可以放入背包多次),求解将哪些物品装入背包里物品价值总和最大?
完全背包问题与01不同的点在于,每个物品能放无限个次数。
物品 | 重量 | 价值 |
---|---|---|
0 | 1 | 15 |
1 | 2 | 35 |
2 | 4 | 30 |
问背包能背的最大价值是多少?
首先我们需要从根本上分析与01背包不同的点,这是我介绍的01背包博客:动态规划0-1背包
再看回来,我们介绍完全背包首先看它的代码:
// 先遍历物品,再遍历背包
for(int i = 0; i < weight.size(); i++) { // 遍历物品
for(int j = weight[i]; j <= W ; j++) { // 遍历背包容量
dp[j] = max(dp[j], dp[j - weight[i]] + value[i]);
//意思就是选择重复的还是选择新的
}
}
1、这里首先是遍历物品,再遍历背包。(先遍历背包后遍历物品也一样,因为我们得到的dp[j]只需要从前面计算好的dp[j]或者dp[j - weight[i]] + value[i]代入进行运算就好了)。
2、模拟遍历。我们要做到模拟完全背包问题的遍历,应该是如下遍历:
3、初始化,因为在最开始遍历dp[j],即遍历物品0时,应该都是取dp[j-weight[i]+value[i]]
这个部分,所以一开始的数组初始化都可以为0。
现在看起来完全背包是不是很简单呢?
2、完全背包的应用实践
1、零钱兑换II
原文链接:零钱兑换II
给你一个整数数组 coins
表示不同面额的硬币,另给一个整数 amount
表示总金额。请你计算并返回可以凑成总金额的硬币组合数。如果任何硬币组合都无法凑出总金额,返回 0
。
假设每一种面额的硬币有无限个。 题目数据保证结果符合 32 位带符号整数。
示例 1:
输入:amount = 5, coins = [1, 2, 5]
输出:4
解释:有四种方式可以凑成总金额:
5=5
5=2+2+1
5=2+1+1+1
5=1+1+1+1+1
示例 2:
输入:amount = 3, coins = [2]
输出:0
解释:只用面额 2 的硬币不能凑成总金额 3 。
示例 3:
输入:amount = 10, coins = [10]
输出:1
最终代码:
class Solution {
public int change(int amount, int[] coins) {
//这道题用完全背包来解决。
int[] dp = new int[amount+1];
//初始化dp数组。此处初始化为1
dp[0] = 1;
//遍历for循环
//1+1+1+1+1
//
for(int i = 0; i < coins.length; i++) { // 遍历物品
for (int j = coins[i]; j <= amount; j++) {
// 遍历背包容量
dp[j] += dp[j - coins[i]];//求组合的动态方程式
/*求组合就是在当前背包容量j上,没算上coins[i]前的dp[j]当前组合数+(coins[i]+j-coins[j])新的组合。比如遍历物品1时:
j=2:'(1+1)'+'(2+(2-2))'
j=3:'(1+1+1)'+'(2+(3-2))'
j=4:'(1+1+1+1)'+'(2+(1+1))'+'(2+2)'
*/
}
}
return dp[amount];
}
}
2、组合总数IV
原题:377. 组合总和 Ⅳ
给你一个由 不同 整数组成的数组 nums ,和一个目标整数 target 。请你从 nums 中找出并返回总和为 target 的元素组合的个数。
题目数据保证答案符合 32 位整数范围。
示例 1:
输入:nums = [1,2,3], target = 4
输出:7
解释:
所有可能的组合为:
(1, 1, 1, 1)
(1, 1, 2)
(1, 2, 1)
(1, 3)
(2, 1, 1)
(2, 2)
(3, 1)
请注意,顺序不同的序列被视作不同的组合。
示例 2:
输入:nums = [9], target = 3
输出:0
这道题就是考察for循环遍历各个遍历顺序和方式的含义了。
首先先介绍先遍历物品和先遍历背包容量之间的变化。
for(int j = 0;j<=target;j++){//遍历背包
for(int i = 0;i<nums.length;i++){//遍历物品数量
if(j-nums[i]>=0) dp[j]+=dp[j-nums[i]];
/**
比如示例一遍历物品1:在j容量为2、3、4都会算上其中的组合。
这里是考虑排列顺序的情况
*/
}
}
这是本题的循环遍历方式。
for(int i = 0; i < coins.length; i++) { // 遍历物品
for (int j = coins[i]; j <= amount; j++) {
// 遍历背包容量
dp[j] += dp[j - coins[i]];//求组合的动态方程式
/*求组合就是在当前背包容量j上,没算上coins[i]前的dp[j]当前组合数+(coins[i]+j-coins[j])新的组合。比如遍历物品1时:
j=2:'(1+1)'+'(2+(2-2))'
j=3:'(1+1+1)'+'(2+(3-2))'
j=4:'(1+1+1+1)'+'(2+(1+1))'+'(2+2)'
*/
}
}
这是上一题的for循环遍历。
其中,本题的遍历顺序如下图所展示:
就是沿袭前面的组合数。比如在背包为3时,主要是看容量为1、2时的情况。因为还要加上第三个物品所以还要+1,此时初始化的好处就在于此。
最终代码如下:
class Solution {
public int combinationSum4(int[] nums, int target) {
int[] dp = new int[target+1];
dp[0]=1;
//初始化为0
for(int j = 0;j<=target;j++){//遍历背包
for(int i = 0;i<nums.length;i++){//遍历物品数量
if(j-nums[i]>=0)
/**
比如示例一遍历物品1:在j容量为2、3、4都会算上其中的组合。
这里是考虑排列顺序的情况
*/
dp[j]+=dp[j-nums[i]];
}
}
return dp[target];
}
}
所以完全背包的遍历顺序不同,表达式不同所能解决的问题也不同。
3、零钱总换
给定不同面额的硬币 coins 和一个总金额 amount。编写一个函数来计算可以凑成总金额所需的最少的硬币个数。如果没有任何一种硬币组合能组成总金额,返回 -1。
你可以认为每种硬币的数量是无限的。
示例 1: 输入:coins = [1, 2, 5], amount = 11 输出:3 解释:11 = 5 + 5 + 1
示例 2: 输入:coins = [2], amount = 3 输出:-1
示例 3: 输入:coins = [1], amount = 0 输出:0
示例 4: 输入:coins = [1], amount = 1 输出:1
示例 5: 输入:coins = [1], amount = 2 输出:2
这道题跟前面一道一个道理,即我们要用一维dp数组来记录背包每个容量的最少组合。即dp[j]表示在j元钱下最少的组合数。
并且在一开始将dp元素初始化成Integer.MAX_VALIE,因为最后会有返回-1的情况,如果被复制成功就返回dp[j]当前的数即可。
最后介绍这个动规方程式,其含义在于是否选择当前coins[i]。本质上就是选择或者不选择。选择的话就是在dp[j-coins[i]]容量时,加上1即算上coins[i]时的组合数。
Math.min(dp[j],dp[j-coins[i]]+1);
最终代码:
class Solution {
public int coinChange(int[] coins, int amount) {
int temp = Integer.MAX_VALUE;
//填入最小组合数
int[] dp = new int[amount+1];
for(int i = 0;i<amount+1;i++) dp[i] = temp;
dp[0] = 0;
for(int i = 0;i<coins.length;i++){
for(int j = coins[i];j<=amount;j++){
//选择该数的前提在选择该数前,dp[j-coins[i]]的下标有赋值。
if(dp[j-coins[i]]!=temp) dp[j] = Math.min(dp[j],dp[j-coins[i]]+1);
}
}
return dp[amount]==temp?-1:dp[amount];
}
}
以上对完全背包的分享就到这里,谢谢阅读。