一、01背包问题详解
- 确定dp数组以及下标的含义
dp[ i ] [ j ] 表示前 i 件物品放入一个容量为 j 的背包可以获得的最大价值(每件物品最多放一次)
- 确定递推公式
- dp数组的初始化
首先从dp[i][j] 的定义出发,如果背包容量j为0的话,即dp [i] [0] ,无论是选取哪些物品,背包价值总和一定为0。如图:
- 状态转移方程 dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]); 可以看出i 是由 i-1 推导出来,那么i为0的时候就一定要初始化。 dp[0][j],即:i为0,存放编号0的物品的时候,各个容量的背包所能存放的最大价值。
- 那么很明显当 j < weight[0]的时候,dp[0][j] 应该是 0,因为背包容量比编号0的物品重量还小。
- 当j >= weight[0]时,dp[0][j] 应该是value[0],因为背包容量放足够放编号0物品。
function testWeightBagProblem (weight, value, size) {
// 定义 dp 数组,物品的数量为行,背包的不同容量为列(注意由于可以不放,所以是size+1)
const dp = Array(weight.length).fill().map(() => Array(size + 1).fill(0));
// 初始化,对于物品0,放入不同容量背包的最大价值
// j就代表不同的容量,最大为背包的最大容量。
for(let j = weight[0]; j <= size; j++) {
dp[0][j] = value[0];
}
// 对于每个物品,放入不同的背包里的最大价值。
// 由于上面已经把物品0的可能性列出了,所以这里从物品1开始
for(let i = 1; i < weight.length; i++) {
// 不同的背包容量,从0开始
for(let j = 0; j <= size; j++) {
// 如果背包的容量不能放下物品,此时的最大价值就是上一个状态的
if(j < weight[i]) dp[i][j] = dp[i - 1][j];
// 否则就是比较放入物品i 和 不放入物品的i 这两种情况的最大价值
else dp[i][j] = Math.max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]);
}
}
return dp[len - 1][size];
}
function test () {
console.log(testWeightBagProblem([1, 3, 4, 5], [15, 20, 30, 55], 6));
}
test();
下面两个题目里的数组都是代表物品的重量,不涉及物品的价值。
416. 分割等和子集
var canPartition = function(nums) {
let n = nums.length
// 两个子集的和等于总和的一半,所以如果总和为奇数,那么就是false
let sum = 0
for(const s of nums){
sum += s
}
// 总和无法等分一定为false
if(sum % 2 != 0) return false
// 目标和,即背包容量
const targetSum = sum / 2
// 如果有物品的重量大于目标和,则为fasle
if(Math.max(...nums) > targetSum) return false
// 转换为01背包问题,即从nums(物品)里选择出的数字等于targetSum(背包的容量)
// 1、dp数组,初始化全为false
let dp = new Array(n+1).fill().map(() => new Array(targetSum+1).fill(false))
// 2、初始化
dp[0][0] = true
// 状态更新
for(let i = 1; i <= n; i++) {
for(let j = 0; j <= targetSum; j++) {
if(j < nums[i-1]) dp[i][j] = dp[i - 1][j];
else dp[i][j] = dp[i - 1][j] || dp[i - 1][j - nums[i-1]];
}
}
return dp[n][targetSum]
};
494. 目标和
题目链接
假设所有符号为+的元素和为x,符号为-的元素和的绝对值是y。
- 我们想要的 S = 正数和 - 负数和 = x - y
- 已知x与y的和是数组总和:x + y = sum
- 可以求出 x = (S + sum) / 2 = target,问题为从nums数组里选出几个数,令其和为target。
比如nums = [1,1,1,1,1], target = 3。-1 + 1 + 1 + 1 + 1 = 3 中所有符号为+的元素为4,-的元素的1。所以正数和4 - 负数和1 = 3.
var findTargetSumWays = function(nums, target) {
// 求数组和sum,检查sum和target的关系,考虑为0的时候
let sum = 0
for (const s of nums){
sum += s
}
//
const diff = sum - target;
if (diff < 0 || diff % 2 !== 0) {
return 0;
}
const n = nums.length, neg = diff / 2;
// 01背包问题,转换为从nums里选若干个数放到容量为neg的背包里
const dp = new Array(n + 1).fill(0).map(() => new Array(neg + 1).fill(0));
dp[0][0] = 1
// 状态更新
for(let i=1; i<=n; i++){
for(let j=0; j<=neg; j++){
if(j < nums[i-1]){ // 容量不够,放不下
dp[i][j] = dp[i-1][j]
}else{
dp[i][j] = dp[i-1][j] + dp[i-1][j-nums[i-1]] // 第i个数字nums[i-1]
}
}
}
return dp[n][neg]
};
二、完全背包
322. 零钱兑换
题目链接
详解
这个题目和上面的两个01背包问题不一样,这个是涉及物品的价值的问题。物品的价值就是硬币的数量。初始化就是考虑dp[0][0] , dp[0][j], dp[i][0] 这三种情况。
var coinChange = function(coins, amount) {
// 1、定义dp数组,因为要取最小值,所以不确定和不合法的都赋予最大值
const n = coins.length
const dp = new Array(n+1).fill().map(() => new Array(amount+1).fill(Infinity))
// 2、初始化,dp[0][i]不合法设最大值
dp[0][0] = 0
// 3、遍历更新状态
for(let i=1; i<=n; i++){
for(let j=0; j<=amount; j++){
// 容量有限,放不下,那么此时的状态还是未选择之前的状态
if(j < coins[i-1]){
dp[i][j] = dp[i-1][j]
}else{
dp[i][j] = Math.min(dp[i-1][j],dp[i][j-coins[i-1]] + 1)
}
}
}
return dp[n][amount] == Infinity ? -1 : dp[n][amount]
};
518. 零钱兑换 II
上个题目是硬币数的最小值,这个题目不涉及物品的价值,就是单纯的组合。所以进行稍微的改动即可。
var change = function(amount, coins) {
// 1、定义dp数组
const n = coins.length
const dp = new Array(n+1).fill().map(() => new Array(amount+1).fill(0))
// 2、初始化
dp[0][0] = 1
// 3、遍历更新状态
for(let i=1; i<=n; i++){
for(let j=0; j<=amount; j++){
// 容量有限,放不下,那么此时的状态还是未选择之前的状态
if(j < coins[i-1]){
dp[i][j] = dp[i-1][j]
}else{
dp[i][j] = dp[i-1][j] + dp[i][j-coins[i-1]]
}
}
}
return dp[n][amount]
};
279. 完全平方数
var numSquares = function(n) {
// 此题对于物品是未知的,所以需要处理出一个小于n的完全平方数的集合
let nums=[], i=1;
while(i*i <= n){
nums.push(i*i)
i++
}
// 此时物品就是nums数组,背包容量就是n,问题就相当于零钱兑换1这个题目了
let len = nums.length, cap = n;
// 1、定义dp数组,因为要取最小值,所以不确定和不合法的都赋予最大值
const dp = new Array(len+1).fill().map(() => new Array(cap+1).fill(Infinity))
// 2、初始化,dp[0][i]不合法设最大值
dp[0][0] = 0
// 3、遍历更新状态
for(let i=1; i<=len; i++){
for(let j=0; j<=cap; j++){
// 容量有限,放不下,那么此时的状态还是未选择之前的状态
if(j < nums[i-1]){
dp[i][j] = dp[i-1][j]
}else{
dp[i][j] = Math.min(dp[i-1][j],dp[i][j-nums[i-1]] + 1)
}
}
}
return dp[len][cap]
};