题目描述
给定一个由正整数组成且不存在重复数字的数组,找出和为给定目标正整数的组合的个数。
示例:
nums = [1, 2, 3]
target = 4
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。
因此输出为 7。
进阶:
如果给定的数组中含有负数会怎么样?
问题会产生什么变化?
我们需要在题目中添加什么限制来允许负数的出现?
解题思路
画树形图分析。
很容易发现“重叠子问题”,因此,我们可以使用“动态规划”来做。
对上图的解释:
方法:动态规划
“动态规划”的两个步骤是思考“状态”以及“状态转移方程”。
1、状态
对于“状态”,我们首先思考能不能就用问题当中问的方式定义状态,上面递归树都画出来了。当然就用问题问的方式。
dp[i] :对于给定的由正整数组成且不存在重复数字的数组,和为 i 的组合的个数。
思考输出什么?因为状态就是问题当中问的方式而定义的,因此输出就是最后一个状态 dp[n]。
2、状态转移方程
由上面的树形图,可以很容易地写出状态转移方程:
dp[i] = sum{dp[i - num] for num in nums and if i >= num}
注意:在 0这一点,我们定义 dp[0] = 1 的,它表示如果 nums 里有一个数恰好等于 target,它单独成为 1 种可能。
参考代码:
- Java
/**
* @author 灵洛
* @date 2020/3/9 21:36
* 题目描述:给定一个由正整数组成且不存在重复数字的数组,找出和为给定目标正整数的组合的个数。
* 状态转移方程:dp[i] = sum{dp[i - num] for num in nums and if i >= num}
* 也就是 dp[i]= dp[i - nums[0]] + dp[i - nums[1]] + dp[i - nums[2]] + ...
* 状态转移方程:dp[i]= dp[i - nums[0]] + dp[i - nums[1]] + dp[i - nums[2]] + ... (当 [] 里面的数 >= 0)
* 特别注意:dp[0] = 1,表示,如果那个硬币的面值刚刚好等于需要凑出的价值,这个就成为 1 种组合方案
* 再举一个具体的例子:nums=[1, 3, 4], target=7;
* dp[7] = dp[6] + dp[4] + dp[3]
* 即:7 的组合数可以由三部分组成,1 和 dp[6],3 和 dp[4], 4 和dp[3];
*/
public class Combination_sum_iv_377 {
public static void main(String[] args) {
int result = combinationSum4(new int[]{1, 2, 3}, 4);
System.out.println(result);
}
/**
*
* @param nums 数组
* @param target 正整数
* @return
*/
public static int combinationSum4(int[] nums, int target) {
// 数组长度
int len = nums.length;
if (len == 0) {
return 0;
}
// 1.初始化dp数组 dynamic programming
int dp[] = new int[target + 1];
// 代表一个空集 空集和它"前面"的元素凑成一种解法,所以是 1
dp[0] = 1;
// 动态规划
// 2.遍历目标正整数 i的意思是当前的目标正整数
for (int i = 1; i <= target; i++) {
// 3.遍历数组
for (int num : nums) {
if ( i - num >= 0) {
// dp[i]= dp[i - nums[0]] + dp[i - nums[1]] + dp[i - nums[2]] + ...
dp[i] += dp[i - num];
}
}
}
return dp[target];
}
}
i
代表当前的目标正整数 num
代表选择的数
dp[i]
代表目标正整数i有几种组合结果
dp[i - num]
代表选择了num
之后的新的目标正整数i - num
有几种组合结果
dp[0] = 1
代表这是一个空集,加上我们选择的数(目标正整数本身)就是我们的目标正整数
- Python
class Solution:
def combinationSum4(self, nums, target):
size = len(nums)
if size == 0 or target <= 0:
return 0
dp = [0 for _ in range(target + 1)]
# 这一步很关键,想想为什么 dp[0] 是 1
# 因为 0 表示空集,空集和它"前面"的元素凑成一种解法,所以是 1
# 这一步要加深体会
dp[0] = 1
for i in range(1, target + 1):
for j in range(size):
if i >= nums[j]:
dp[i] += dp[i - nums[j]]
return dp[-1]
对于进阶问题的思考
1、如果给定的数组中含有负数会怎么样?问题会产生什么变化?
如果有负数,相当于给定数组中的元素有了更多的组合,特别是出现了一对相反数的时候,例如题目中的示例 [-4, 1, 2, 3, 4],target = 4 的时候,-4 和 4 可以无限次地、成对添加到题目中的示例中,成为新的组合,那么这道问题就没有什么意义了。
仔细思考,负数我只要不选它就行了。但由于这道问题的问法是“组合”,因此我们要保证有负数参与进来,不能够与已有的正数的组合之和为 0 即可。
2、我们需要在题目中添加什么限制来允许负数的出现?
如果有负数参与进来,不能够与已有的正数的组合之和为 0 ;
或者限制负数的使用次数,设计成类似 0-1 背包问题的样子。
动态规划和贪心算法的区别
动态规划具有两个性质:
1)重叠子问题
2)最优子结构
贪心算法:
1)贪心选择性质
2)最优子结构
最优子结构性质是指问题的最优解包含其子问题的最优解时,就称该问题具有最优子结构性质,重叠子问题指的是子问题可能被多次用到,多次计算,动态规划就是为了消除其重叠子问题而设计的。其实贪心算法是一种特殊的动态规划,由于其具有贪心选择性质,保证了子问题只会被计算一次,不会被多次计算,因此贪心算法其实是最简单的动态规划
。