主要参考博客:
一篇文章吃透背包问题!(细致引入+解题模板+例题分析+代码呈现)
动态规划之背包问题以及优化为一维数组和完全背包问题(最易理解的讲解)
动态规划:关于01背包问题,你该了解这些!(滚动数组)
文章目录
背包定义
给定一个背包容量target,再给定一个数组nums(物品),能否按一定方式选取nums中的元素得到target
注意:
1、背包容量target和物品nums的类型可能是数,也可能是字符串
2、target可能题目已经给出(显式),也可能是需要从题目的信息中挖掘出来(非显式)(常见的非显式target比如sum/2等)
3、选取方式有常见的一下几种:每个元素选一次/每个元素选多次/选元素进行排列组合
背包分类
常见的背包类型主要有以下几种:
1、0/1背包问题:每个元素最多选取一次
2、完全背包问题:每个元素可以重复选择
3、组合背包问题:背包中的物品要考虑顺序
4、分组背包问题:不止一个背包,需要遍历每个背包
问题分类
1、最值问题:要求最大值/最小值
2、存在问题:是否存在…………,满足…………
3、组合问题:求所有满足……的排列组合
因此把背包类型和问题类型结合起来就会出现以下细分的题目类型:
1、0/1背包最值问题
2、0/1背包存在问题
3、0/1背包组合问题
4、完全背包最值问题
5、完全背包存在问题
6、完全背包组合问题
7、分组背包最值问题
8、分组背包存在问题
9、分组背包组合问题
这九类问题我认为几乎可以涵盖力扣上所有的背包问题
背包问题解题模板
二维dp模板
// 0-1背包问题模板代码(二维)
void bags(){
vector<int> weight = {1, 3, 4}; //各个物品的重量
vector<int> value = {15, 20, 30}; //对应的价值
int bagWeight = 4; //背包最大能放下多少重的物品
// 二维数组:状态定义:dp[i][j]表示从0-i个物品中选择不超过j重量的物品的最大价值
vector<vector<int>> dp(weight.size() + 1, vector<int>(bagWeight + 1, 0));
// 初始化:第一列都是0,第一行表示只选取0号物品最大价值
for(int j=bagWeight; j>=weight[0]; j--)
dp[0][j]=dp[0][j-weight[0]]+value[0];
// weight数组的大小 就是物品个数
for(int i = 1; i <= weight.size(); i++){ // 遍历物品
int num=weight[i-1]);
for (int j=1; j <= bagWeight; j++){ // 遍历背包容量
if(j < num]) //背包容量已经不足以拿第i个物品了
dp[i][j] = dp[i-1][j]; //最大价值就是拿第i-1个物品的最大价值
//背包容量足够拿第i个物品,可拿可不拿:
//拿了最大价值是前i-1个物品扣除第i个物品的 重量的最大价值加上i个物品的价值
//不拿就是前i-1个物品的最大价值,两者进行比较取较大的
else
dp[i][j]=max(dp[i-1][j], dp[ i-1][j-num]+value[i-1]);
}
}
cout<<dp[weight.size()-1][bagWeight]<<endl;
}
滚动dp推导
二维代码可以进行优化,去除选取物品的那一层,简化为一维背包
在使用二维数组的时候,
递推公式:dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]);
其实可以发现如果把 dp[i - 1]那一层拷贝到dp[i] 上,
表达式完全可以是:dp[i][j] = max(dp[i][j], dp[i][j - weight[i]] + value[i]);
与其把dp[i-1]这一层拷贝到dp[i]上,不如只用一个一维数组dp[j](一维数组,也可以理解是一个滚动数组)。
这就是滚动数组的由来,需要满足的条件是上一层可以重复利用,直接拷贝到当前层。
遍历背包的顺序是不一样的:
二维dp遍历的时候,背包容量是从小到大;一维dp遍历的时候,背包是从大到小。
二维:
因为对于二维dp,dp[i][j]都是通过上一层即dp[i - 1][j]计算而来,本层的dp[i][j]并不会被覆盖。
一维:
如果正序遍历,那么物品0就会被重复加入多次,倒序遍历是为了保证物品i只被放入一次。
所以从后往前循环,每次取得状态不会和之前取得状态重合,这样每种物品就只取一次了。
举例推导dp数组
一维dp,分别用物品0,物品1,物品2 来遍历背包,最终得到结果如下:
滚动dp模板
void bags(){
vector<int> weight = {1, 3, 4};
vector<int> value = {15, 20, 30};
int bagWeight = 4;
// 初始化
// 一维 dp 状态定义:dp[j]表示容量为j的背包能放下东西的最大价值
vector<int> dp(bagWeight + 1, 0);
for (int i = 1; i < weight.size(); i++){ // 遍历物品
int num=weight[i-1];
for (int j = bagWeight; j >=num; j--){// 遍历背包容量(一定要逆序)
dp[j] = max(dp[j], dp[j - num] + value[i-1]); //不取或者取第i个(从0开始)
}
}
cout << dp[bagWeight] << endl;
}
解题思路
1、两层循环
分别遍历物品nums和背包容量target
2、转移方程
根据背包的分类:确定物品和容量遍历的先后顺序
根据问题的分类:确定状态转移方程的写法
背包分类的模板(一维dp)
(注意:这里背包是从下标为0开始遍历)
1、0/1背包:
外循环nums,
内循环target,
target倒序且target>=nums[i];
(01背包用的是上一轮的结果,所以要倒序)
//dp[j] 全部初始化为0
dp[j] = max(dp[j],dp[j- weight[i]] + value[i])
此时的dp[j]其实是跟 上一个i-1的时候的dp[j] 去比较 (上一个的dp[j]是不能取到第i件物品的)。
如果能取到第i个物品(第i件物品能不能放下),那么就比较不取第i件物品(dp[j])跟取到第i件物品的价值(dp[j- weight[i]] + value[i])。更新之后的dp[j]取较大值
dp[j]是能取第i件以及之前所有物品的最大价值,每次的比较都是围绕能取第i件(含之前的物品)以及第i-1件(含之前的物品)的价值。
2、完全背包:
外循环nums,
内循环target,
target正序且target>=nums[i];
完全背包中相反,采用顺序。前i件物品的dp[j-weight]+value,前i-1件物品的dp[j-weight],前i-1件物品的dp[j]这三者的比较。也就是当前状态,需要先推导出重量j之前的当前状态,才能得到最大值。
3、组合背包:
外循环target,
内循环nums,
target正序且target>=nums[i];
4、分组背包:
这个比较特殊,需要三重循环:
外循环背包bags,
内部两层循环根据题目的要求转化为1,2,3三种背包类型的模板
问题分类的模板(一维dp)
看下标是从0开始 num=nums[j]
还是从1开始 num=nums[j-1]
1、最值问题:
dp[j] = max/min(dp[j], dp[j-num]+1) 或
dp[j] = max/min(dp[j], dp[j-num]+num);
2、存在问题(bool):
dp[j]=dp[j] || dp[j-num];
3、组合问题:
dp[j]=dp[j]+dp[j-num];
01背包最值问题
最后一块石头的重量 II
1049. 最后一块石头的重量 II
思路:
最重要的是怎么转化为01背包问题
1、问题转化为:把一堆石头分成两堆,求两堆石头重量差最小值
进一步分析:
要让差值小,两堆石头的重量都要接近sum/2;
我们假设两堆分别为A,B,
A<sum/2,
B>sum/2,
若A更接近sum/2,B也相应更接近sum/2
2、进一步转化:将一堆stone放进最大容量为sum/2的背包,求放进去的石头的最大重量MaxWeight,
3、最终答案即为sum-2*MaxWeight;
二维dp
dp[i][j]:
从前i块石头中选取,选取值之和小于等于目标值j的最大值为dp[i][j]。(i、j分别对应从外到内两层循环。)
class Solution {
public:
int lastStoneWeightII2(vector<int> &stones){
int n=stones.size();
int sum=accumulate(stones.begin(), stones.end(), 0);
int target=sum/2;
vector<vector<int>> dp(n+1,vector<int>(target+1,0));
for (int i=1; i<=n; i++){
int cur=stones[i-1];
for (int j=1; j<=target; j++){
if(j<cur){
dp[i][j]=dp[i-1][j];
}
else{//j>=x
dp[i][j]=fmax(dp[i-1][j], dp[i-1][j-cur]+cur);
}
}
}
return sum-dp[n][target]-dp[n][target];
}
};
一维dp
dp[[j]:
表示容量为j的背包能放下东西的最大价值为dp[j]
class Solution {
public:
int lastStoneWeightII(vector<int> &stones){
int n=stones.size();
int sum=accumulate(stones.begin(), stones.end(), 0);
int target=sum/2;
vector<int> dp(target+1);
for (int i=1; i<=n; i++){
int cur=stones[i-1];
for (int j=target; j>=cur; j--){
if(j<cur)
dp[j]=dp[j];
else
dp[j]=fmax(dp[j], dp[j-cur]+cur);
}
}
return sum-dp[target]-dp[target];
}
};
01背包存在性问题
分割等和子集
二维dp:
dp[i][j]:
对nums的前i个元素进行选取,dp[i][j]记录是否存在选取值相加结果为目标值j。
(dp是bool型)(i、j分别对应从外到内两层循环。)
class Solution {
public:
bool canPartition2(vector<int>& nums) {
int n=nums.size();
if(n<2) {
return false;
}
int sum = accumulate(nums.begin(), nums.end(), 0);
int maxNum = *max_element(nums.begin(), nums.end());
if(sum & 1) {
return false;
}
int target=sum /2;
if (maxNum>target) {
return false;
}
vector<vector<int>> dp(n+1, vector<int>(target + 1, 0));
for (int i=0; i<=n; i++)
dp[i][0]=1;
for(int j=1; j<=target; j++)
dp[0][j]=0;
dp[0][0]=1;
for (int i=1; i<=n; i++) {
int num=nums[i-1];
for (int j=1; j<=target; j++){
if (j<num){
dp[i][j]=dp[i - 1][j];
}
else{
dp[i][j]=dp[i-1][j] | dp[i-1][j-num];
}
}
}
return dp[n][target];
}
};
一维dp:
dp[j]:
dp[j]记录是否存在选取值相加结果为目标值j。
class Solution {
public:
bool canPartition(vector<int> &nums){
int n=nums.size();
int sum = accumulate(nums.begin(), nums.end(), 0);
if (sum % 2 == 1) //如果是和为奇数显然无法分成两个等和子集
return false;
int target = sum / 2;
vector<int> dp(target + 1, 0); //dp[i]:是否存在子集和为i
dp[0] = true; //初始化:target=0不需要选择任何元素,所以是可以实现的
for (int i=1; i<=n; i++){
int cur=nums[i-1];
for (int j=target; j>=cur; j--){
dp[j]=dp[j] || dp[j-cur];
}
}
return dp[target];
}
};
01背包组合问题
目标和
494. 目标和
思路:
热评
sum( P ) 转化为01背包问题
用价值和重量都为nums数组的物品,较好凑满x=(target + sum)/2的背包方案数
二维数组:
dp[i][j]:
为前 i 位置中选取,能凑满值为目标值 j 的方案数为dp[i][j]
class Solution {
public:
//dp
int findTargetSumWays(vector<int>& nums, int target) {
int n=nums.size();
int sum=accumulate(nums.begin(), nums.end(), 0);
if(sum<target || (sum+target)%2==1){
return 0;
}
//转化为01背包后的目标值
target=(target + sum)/2;
if(target<0)
return 0;
vector<vector<int>> dp(n+1,vector<int>(target+1,0));
//边界
for(int i=0;i<=n;i++)
dp[i][0] = 0;
for(int j=1;j<=target;j++)
dp[0][j] = 0;
dp[0][0]=1;
for(int i=1;i<=n;i++){
int num=nums[i-1];//索引为i(从1开始)
for(int j=0;j<=target;j++){
if(j<num)
dp[i][j]=dp[i-1][j];
else{
dp[i][j]=dp[i-1][j]+dp[i-1][j-num];
}
}
}
return dp[n][target];
}
};
一维数组:
1.状态定义:
dp[j]为恰好能凑满目标值为j的背包方案数
2.状态转移:
背包容量能或者不能装下nums[i]
(1)当不能装下nums[i]时, 方案数直接继承之前的dp[j]
dp[j]=dp[j];
(2)当能装下nums[i]时, 方案数= 不考虑nums[i]的方案数 + 有nums[i]参与新增的方案数
dp[j]=dp[j]+dp[j-num[i]];
3.状态初始化:
dp[0]=1,因为后面总会一直查找至j=0,如dp[3] += dp[3-3],空集是任意一条有效路径的起点,当属一条
4.遍历顺序:
i正序,j倒序
5.返回形式:
dp[target]就是凑成target的总的方案数
class Solution {
public:
int findTargetSumWays(vector<int>& nums, int target) {
int n=nums.size();
int sum=accumulate(nums.begin(), nums.end(), 0);
if(sum<target || (sum+target)%2==1){
return 0;
}
//转化为01背包后的目标值
target=(target + sum)/2;
if(target<0)
return 0;
vector<int> dp(target+1,0);
//边界
dp[0]=1;
for(int i=1;i<=n;i++){
int num=nums[i-1];//索引为i(从1开始)
for(int j=target;j>=num;j--){
if(j<num)
dp[j]=dp[j];
else
dp[j]=dp[j]+dp[j-num];
}
}
return dp[target];
}
};
完全背包最值问题
零钱兑换
322. 零钱兑换
二维dp:
dp[i][j]:用前i个给定硬币能换到面值为j的最小硬币数量
class Solution {
public:
int coinChange(vector<int> &coins, int amount){
//给dp数组每个位置赋初值为Max是为了最后判断是否能填满amount
int n=coins.size();
int Max=amount+1;
vector<vector<int>> dp(n+1,vector<int>(amount+1, Max));
dp[0][0] = 0;
for (int i=1;i<=n;i++){
dp[i][0]=0;
}
for (int i=1;i<=n;i++){
int coin=coins[i-1];
for (int j=1; j<=amount; j++){
if(j>=coin)
dp[i][j] = fmin(dp[i-1][j], dp[i][j - coin] + 1);
else{
dp[i][j]=dp[i-1][j];
}
}
}
return dp[n][amount] == Max ? -1 : dp[n][amount];
}
};
一维dp:
dp[j]:换到面值j所用的最小硬币数量
class Solution {
public:
int coinChange(vector<int> &coins, int amount){
//给dp数组每个位置赋初值为INT_MAX是为了最后判断是否能填满amount
//要用long long 类型
int n=coins.size();
vector<long long> dp(amount+1, INT_MAX);
//dp[i]:换到面值i所用的最小数量
dp[0] = 0;
for (int i=1;i<=n;i++){
int coin=coins[i-1];
for (int j = 1; j <= amount; j++){
if(j>=coin)
dp[j] = fmin(dp[j], dp[j - coin] + 1);
}
}
return dp[amount] == INT_MAX ? -1 : dp[amount];
}
};
完全平方数
二维dp:
dp[i][j]:用[1-i]个整数的平方数 能凑到 和为j 的最小整数个数
class Solution {
public:
int numSquares(int n){
vector<vector<int>> dp(sqrt(n)+1,vector<int>(n+1, INT_MAX));
dp[0][0]=0;
for(int i=0;i<=sqrt(n);i++){
dp[i][0]=0;
}
for (int i=1; i<=sqrt(n); i++){
int num=i*i;
for (int j=1; j<=n; j++){
if(j>=num)
dp[i][j] = fmin(dp[i-1][j], dp[i][j - num] + 1);
else
dp[i][j]=dp[i-1][j];
}
}
return dp[sqrt(n)][n];
}
};
一维dp:
dp[j]:用[1-sqrt(n)]个整数的平方数 能凑到 和为j 的最小整数个数
class Solution {
public:
int numSquares(int n){
//dp[i]:和为i的完全平方数的最小数量
vector<int> dp(n + 1, INT_MAX);
dp[0] = 0;
for (int i = 1; i <= sqrt(n); i++){
int num=i*i;
for (int j = 1; j <= n; j++){
if (j >= num)
dp[j] = min(dp[j], dp[j-num]+1);
}
}
return dp[n];
}
};