一、0-1背包问题 二维
题目链接:46. 携带研究材料(第六期模拟笔试) (kamacoder.com)
文章讲解:代码随想录 (programmercarl.com)——0-1背包问题 二维
视频讲解:带你学透0-1背包问题!| 关于背包问题,你不清楚的地方,这里都讲了!| 动态规划经典问题 | 数据结构与算法_哔哩哔哩_bilibili
背包问题概述:
0-1背包:n种物品,每种物品只有一个;
完全背包:n种物品,每种物品无限个;
多重背包:n种物品,每种物品个数各不相同。
动态规划五部曲:
1. 确定 dp 数组及下标含义:dp[ i ][ j ] 表示下标 [ 0, i ] 的物品任取放进容量为 j 的背包。
2. 确定递推公式:
不放 i 最大价值:dp[ i - 1 ][ j ]
放 i 最大价值:dp[ i - 1 ][ j - wright[ i ]](不放 i 同时减去 i 的容量之后的最大价值) + value( i )
递推公式: dp [ i ][ j ] = max(dp[ i - 1 ][ j ], dp[ i - 1 ][ j - wright[ i ]] + value( i )),即取不放 i 时的最大价值与放了 i 之后的最大价值,因为 dp[ i - 1 ][ j ] 已经是前 i -1 物品最优解了。
3. 确定dp数组如何初始化:行代表固定不同物品,列代表固定背包容量,初始化第一行和第一列,第一列全部初始化为0,第一行根据题目描述,其余元素初始化任意值均可。
4. 确定遍历顺序:对于二维数组实现0-1背包,先遍历物品还是先遍历背包均可。
5. 举例推导dp数组。
def two_D_beibao(weight, value, bagweight):
# 创建一个二维数组存储结果
dp = [[0] * (bagweight + 1) for _ in range(len(weight))]
# 初始化,只需要改变第一行的值
for j in range(weight[0], bagweight + 1):
dp[0][j] = value[0]
# 先遍历物品
for i in range(1, len(weight)):
# 再遍历背包
for j in range(bagweight + 1):
# 如果当前背包容量不能放下物品 i ,那么 i - 1 个物品能放下就是当前情况的最大值
if j < weight[i]:
dp[i][j] = dp[i - 1][j]
else:
dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i])
return dp[len(weight) - 1][bagweight]
if __name__ == "__main__":
weight = [2, 2, 3, 1, 5, 2]
value = [2, 3, 1, 5, 4, 3]
bagweight = 1
result = two_D_beibao(weight, value, bagweight)
print(result)
二、0-1背包问题 一维
题目链接:46. 携带研究材料(第六期模拟笔试) (kamacoder.com)
文章讲解:代码随想录 (programmercarl.com)——0-1背包问题 一维
视频讲解:带你学透01背包问题(滚动数组篇) | 从此对背包问题不再迷茫!_哔哩哔哩_bilibili
思路:二维背包问题递推公式中都是与 i - 1 有关,可以将 i - 1 层数据拷贝到第 i 层,降为一维 dp 数组。
动态规划五部曲:
1. 确定 dp 数组及下标含义:dp[ j ] 表示容量为 j 的背包所能装的最大价值
2. 确定递推公式:dp[ j ] = max( dp[ j ], dp[ j - weight[ i ]] + value[ i ] )
3. 确定dp数组如何初始化:dp[ 0 ] = 0,非0下标在后续递推过程中会被覆盖掉,因此初始化为最小的非负数即可,即全为0
4. 确定遍历顺序:第二层只能倒叙遍历,如果正序遍历则会添加多次物品;只能先遍历物品再遍历背包,因为把一个二维矩阵压缩为一个一维向量,相当于对上一层进行复用
# 遍历物品
for i in range(物品数量):
# 遍历背包,倒序遍历,保证每个物品只被添加过一次
for j in range(bagweight, weight[ i ] - 1, -1):
递推公式
5. 举例推导dp数组。
def one_D_beibao(weight, value, bagweight):
# 创建一个二维数组存储结果,并初始化所有值为0
dp = [0] * (bagweight + 1)
# 先遍历物品
for i in range(len(weight)):
# 再遍历背包
for j in range(bagweight, weight[i] - 1, -1):
dp[j] = max(dp[j], dp[j - weight[i]] + value[i])
return dp[bagweight]
三、416. 分割等和子集
题目链接:416. 分割等和子集 - 力扣(LeetCode)
文章讲解:代码随想录 (programmercarl.com)——416. 分割等和子集
视频讲解:动态规划之背包问题,这个包能装满吗?| LeetCode:416.分割等和子集_哔哩哔哩_bilibili
思路:用背包的思路寻找哪些元素可以装满容量为 的背包。
动态规划五部曲:
1. 确定 dp 数组及下标含义:dp[ j ] 表示容量为 j 的背包所背的最大价值
2. 确定递推公式:dp[ j ] = max( dp[ j ], dp[ j - weight[ i ]] + value[ i ] ),其中 weight 和 value 相同,所以 dp[ j ] = max( dp[ j ], dp[ j - nums[ i ]] + nums[ i ] )
3. 确定dp数组如何初始化:dp[ 0 ] = 0,其它防止覆盖都初始化成非负整数的最小值,即0
4. 确定遍历顺序:
# 遍历物品
for i in range(len(nums)):
# 遍历背包
for j in range(target, nums[ i ] - 1, -1):
递推公式
5. 举例推导dp数组。
class Solution:
def canPartition(self, nums: List[int]) -> bool:
# 创建dp数组,并全部初始化为0
dp = [0] * 10001
# 先判断如果没有之和不能被2整除,则直接False
if sum(nums) % 2 != 0 :
return False
target = sum(nums) // 2
# 先遍历物品
for i in range(len(nums)):
# 再遍历背包
for j in range(target, nums[i] - 1, -1):
dp[j] = max(dp[j], dp[j - nums[i]] + nums[i])
# 判断集合中元素是否可以组成target
if dp[target] == target:
return True
return False