[LintCode] k Sum [三维动态规划]

Problem

Given n distinct positive integers, integer k (k <= n) and a number target.

Find k numbers where sum is target. Calculate how many solutions there are?

Example

Given [1,2,3,4], k = 2, target = 5.

There are 2 solutions: [1,4] and [2,3].

Return 2.

Note

这道题和Distinct Subsequence很像。
使用三维动规数组dp[i][j][t],表示从0遍历到A[i]后找到的j个元素之和为t的情况的总数。最后返回从整个A数组找到的k个元素之和为target的情况总数即可。操作如下:
首先,若第i个元素,也就是A[i-1],大于t,那么“从前i个元素中取j个元素令j个元素之和为t的所有情况”和第i个元素无关。也就是说dp[i][j][t] = dp[i-1][j][t]。而如果最后一个元素A[i-1] <= t,那么这个元素一定能带来一些不同的“从前i个元素中取j个元素令j个元素之和为t的情况”,但是,还要加上完全不考虑这个元素A[i-1]时的解的集合,也就是dp[i-1][j-1][t-A[i-1]]。因为,加上这个元素之后的dp[i][j-1][t-A[i-1]]不会影响已经遍历过的dp[i-1][j-1][t-A[i-1]]

Solution

public class Solution {
    public int kSum(int A[], int k, int target) {
        int[][][] dp = new int[A.length+1][k+1][target+1];
        for (int i = 0; i <= A.length; i++) dp[i][0][0] = 1;
        //Super DP
        for (int i = 1; i <= A.length; i++) {
            for (int j = 1; j <= k && j <= i; j++) {
                for (int t = 1; t <= target; t++) {
                    dp[i][j][t] = dp[i-1][j][t];
                    if (A[i-1] <= t) dp[i][j][t] += dp[i-1][j-1][t-A[i-1]];
                }
            }
        }
        return dp[A.length][k][target];
    }
}
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 以下是一个经典的 Maximum Sum 子数组问题的动态规划代码: ```python def max_sum_subarray(nums): if not nums: return 0 n = len(nums) dp = [0]*n dp[0] = nums[0] max_sum = nums[0] for i in range(1, n): dp[i] = max(dp[i-1]+nums[i], nums[i]) max_sum = max(max_sum, dp[i]) return max_sum ``` 该算法的时间复杂度为 $O(n)$,其中 $n$ 是数组的长度。 ### 回答2: Maximum sum问题是一个经典的动态规划问题,其目标是在一个给定的数组中找到一个具有最大和的子数组。 在解决这个问题时,可以定义一个一维动态规划数组dp,其中dp[i]表示以第i个元素结尾的子数组的最大和。那么,可以得出动态规划的转移方程如下: dp[i] = max(dp[i-1] + nums[i], nums[i]) 其中,nums表示给定的整数数组。 接下来,可以使用一个变量maxSum来记录所有子数组的最大和。遍历整个数组,更新dp[i]的同时,不断更新maxSum的值,即可得到最终的结果。 下面是该问题的动态规划代码实现: ```python def maxSum(nums): dp = [0] * len(nums) maxSum = float('-inf') dp[0] = nums[0] maxSum = max(maxSum, dp[0]) for i in range(1, len(nums)): dp[i] = max(dp[i-1] + nums[i], nums[i]) maxSum = max(maxSum, dp[i]) return maxSum ``` 该算法的时间复杂度为O(n),其中n为数组的长度。使用动态规划的思想,可以高效地解决Maximum sum问题。 ### 回答3: 动态规划(Dynamic Programming)是一种常用的算法思想,可以解决一些最优化问题。Maximum Sum问题是一种经典的动态规划问题,目标是找出一个数组中最大的子数组和。 要编写Maximum Sum动态规划代码,可以按照以下步骤进行: 1. 首先定义一个变量max_sum,用于记录当前最大的子数组和,初始化为数组中的第一个元素(即max_sum = arr[0])。 2. 然后定义一个变量cur_sum,用于记录当前的子数组和,初始化为数组中的第一个元素(即cur_sum = arr[0])。 3. 接着,使用一个循环遍历数组中的每一个元素(从第二个元素开始): (1)如果当前子数组和cur_sum加上当前元素arr[i]大于当前元素arr[i]本身,说明加上当前元素后,子数组和变得更大,因此更新cur_sum为cur_sum + arr[i]。 (2)否则,当前元素arr[i]比当前子数组和cur_sum更大,说明当前元素作为新的起点,重新开始构建子数组,即令cur_sum = arr[i]。 (3)将当前子数组和cur_sum与当前最大的子数组和max_sum进行比较,如果cur_sum大于max_sum,则更新max_sum为cur_sum。 4. 最后,返回最大的子数组和max_sum作为最终结果。 下面给出这个算法的代码实现: ```python def maximum_sum(arr): max_sum = arr[0] cur_sum = arr[0] for i in range(1, len(arr)): if cur_sum + arr[i] > arr[i]: cur_sum += arr[i] else: cur_sum = arr[i] if cur_sum > max_sum: max_sum = cur_sum return max_sum ``` 这段代码的时间复杂度为O(n),其中n为数组的长度,因为需要遍历整个数组。在使用动态规划思想解决Maximum Sum问题时,可以通过定义合适的状态和状态转移方程来简化问题,并提高算法的效率。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值