leetcode-背包问题

1. 三种背包问题

1.1 0-1背包

有N件物品和一个容量为V的背包，第i件物品消耗的容量为Ci，价值为Wi，求解放入哪些物品可以使得背包中总价值最大。

1.2 完全背包：

有N种物品和一个容量为V的背包，每种物品都有无限件可用，第i件物品消耗的容量为Ci，价值为Wi，求解放入哪些物品可以使得背包中总价值最大。

1.3 多重背包：

有N种物品和一个容量为V的背包，第i种物品最多有Mi件可用，每件物品消耗的容量为Ci，价值为Wi，求解入哪些物品可以使得背包中总价值最大。

三种背包问题都有一个共同的限制，那就是背包容量，背包的容量是有限的，这便限制了物品的选择，而三种背包问题的共同目的，便是让背包中的物品价值最大。

不同的地方在于物品数量的限制，01背包问题中，每种物品只有一个，对于每种物品而言，便只有选和不选两个选择。完全背包问题中，每种物品有无限多个，所以可选的范围要大很多。在多重背包问题中，每种物品都有各自的数量限制。

三种背包问题虽然对于物品数量的限制不一样，但都可以转化为01背包问题来进行思考。在完全背包问题中，虽然每种物品都可以选择无限个，但由于背包容量有限，实际上每种物品可以选择的数量也是有限的，那么将每种物品都看做是 V/Ci 种只有一件的不同物品，不就成了01背包问题吗？对于多重背包也是如此，只是每种物品的膨胀数量变成了 min{Mi, V/Ci}。

所以说，01背包问题是所有背包问题的基础，弄懂了01背包问题后，完全背包和多重背包就没有什么难的地方了。

下面我们来对比一下三种背包问题的状态转移方程，以便更好的理解它们之间的联系：

01背包
F[i,V] = max{F[i-1,V], F[i-1,V-vi] + wi}
完全背包
F[i,V] = max{F[i-1,V-kvi] + kwi | 0 <= kvi <= v}
多重背包
F[i,V] = max{F[i-1,V-kvi] + k*wi | 0 <= k <= Mi}

2. 0-1背包

N代表物品数量，
vi代表第i个物品占用的容量，
V代表背包总容量，
wi代表第i个物品的价值
f [ i , j ] ：从前 i 件物品中选择放入容量为 j 的背包最大的价值。

状态转移方程为：
f[i][V]=max{ f[i-1][V],f[i-1][V-v[i]]+w[i] }。

// 朴素
f[i][j]
   for (int i = 1; i <= N; i++) {
       for (int j = 0; j <= V; j++) {
           f[i][j] = f[i - 1][j];
           if (j >= v[i]) 
                f[i][j] = max(f[i][j], f[i-1][j-v[i]] + w[i]);
       }
   }

一维优化——对代码做等价变形
分析：f[j] = max(f[j], f[j-Ci)+Wi)要使右边的f表示的是i-1时的值，只需要逆序遍历j，这样右边的f还没被更新，表示的是循环i-1时的值，因此可以等价变形

//倒序
f[j]
for (int i = 1; i <= N; i++) {
        for (int j = V; j >= v[i]; j--) {         // 倒序
            f[j] = max(f[j], f[j - v[i]] + w[i]);
            // 朴素 f[i][j] = max(f[i][j], f[i-1][j-v[i]] + w[i]);
        }
    }

def ZeroOneKnapsack(F,V, C,W)
    for v = V to C
        F[v] = max{F[v],F[v-C] + W}

for i = 1 to N
    ZeroOneKnapsack(F,V,vi,wi)

3. 完全背包

N代表物品数量，
vi代表第i个物品占用的容量，
V代表背包总容量，
wi代表第i个物品的价值
f [ i , j ] ：从前 i 件物品中选择放入容量为 j 的背包最大的价值。

状态转移方程为：
F[i,V] = max{F[i-1,V-kvi] + kwi | 0 <= k*vi <= v}

def CompleteKnapsack(F,V,C,W)
    for v = C to V
        F[v] = max{F[v],F[v-C] + W}
for i = 1 to N
    CompleteKnapsack(F,V, vi,wi)

常见的背包问题有1、组合问题。2、True、False问题。3、最大最小问题。
以下题目整理来自大神CyC，github地址：
github
我在大神整理的基础上，又做了细分的整理。分为三类。
1、组合问题：
377. 组合总和 Ⅳ
494. 目标和
518. 零钱兑换 II
2、True、False问题：
139. 单词拆分
416. 分割等和子集
3、最大最小问题：
474. 一和零
322. 零钱兑换

组合问题公式. dp[i] += dp[i-num]
True、False问题公式. dp[i] = dp[i] or dp[i-num]
最大最小问题公式dp[i] = min(dp[i], dp[i-num]+1)或者dp[i] = max(dp[i], dp[i-num]+1)

以上三组公式是解决对应问题的核心公式。

当然拿到问题后，需要做到以下几个步骤：
1.分析是否为背包问题。
2.是以上三种背包问题中的哪一种。
3.是0-1背包问题还是完全背包问题。也就是题目给的nums数组中的元素是否可以重复使用。
4.如果是组合问题，是否需要考虑元素之间的顺序。需要考虑顺序有顺序的解法，不需要考虑顺序又有对应的解法。

接下来讲一下背包问题的判定
背包问题具备的特征：给定一个target，target可以是数字也可以是字符串，再给定一个数组nums，nums中装的可能是数字，也可能是字符串，问：能否使用nums中的元素做各种排列组合得到target。

背包问题技巧：

1.如果是0-1背包，即数组中的元素不可重复使用，nums放在外循环，target在内循环，且内循环倒序；
for num in nums:
for i in range(target, nums-1, -1):

2.如果是完全背包，即数组中的元素可重复使用，nums放在外循环，target在内循环。且内循环正序。
for num in nums:
for i in range(nums, target+1):

3.如果组合问题需考虑元素之间的顺序，需将target放在外循环，将nums放在内循环。
for i in range(1, target+1):
for num in nums:
代码
class Solution:
def combinationSum4(self, nums: List[int], target: int) -> int:
if not nums:
return 0
dp = [0] * (target+1)
dp[0] = 1
for i in range(1,target+1):
for num in nums:
if i >= num:
dp[i] += dp[i-num]
return dp[target]