2023年4月14日
给定一个只包含正整数的非空数组。是否可以将这个数组分割成两个子集,使得两个子集的元素和相等。
注意: 每个数组中的元素不会超过 100 数组的大小不会超过 200
这道题的思路跟正数拆分有异曲同工之妙,但其实并不完全是,这道题给我的第一感觉是能采用回溯算法的思路解决该问题,但是转念一想,感觉并不是那么合适,因为求的是两个和相等的子集,相当于我在树中要遍历完,并且最终可能只有一个结果,即树叶节点符合,所以依然采用动态规划。
动态规划的思路就是五部曲,首先是dp[i]的实际意义:代表的是背包总容量为i时,背包的最大价值是dp[i],因为本题中每一个元素的数值既是重量,也是价值。其次是递推公式,这道题特殊的一点就是每一个元素的数值不仅是重量,也是价值,因为这样才能往01背包问题上靠。dp[j] = max(dp[j], dp[j - nums[i]] + nums[i])。再者就是初始化,很明显要全部赋值为0,因为这样在更新的时候才能把数进行覆盖,综上所述,整个的代码如下
class Solution {
public:
bool canPartition(vector& nums) {
int sum = 0;
// dp[i]中的i表示背包内总和
// 题目中说:每个数组中的元素不会超过 100,数组的大小不会超过 200
// 总和不会大于20000,背包最大只需要其中一半,所以10001大小就可以了
vector dp(10001, 0);
for (int i = 0; i < nums.size(); i++) {
sum += nums[i];
}
// 也可以使用库函数一步求和
// int sum = accumulate(nums.begin(), nums.end(), 0);
if (sum % 2 == 1) return false;
int target = sum / 2;
// 开始 01背包
for(int i = 0; i < nums.size(); i++) {
for(int j = target; j >= nums[i]; j--) { // 每一个元素一定是不可重复放入,所以从大到小遍历
dp[j] = max(dp[j], dp[j - nums[i]] + nums[i]);
}
}
// 集合中的元素正好可以凑成总和target
if (dp[target] == target) return true;
return false;
}
};
有一堆石头,每块石头的重量都是正整数。
每一回合,从中选出任意两块石头,然后将它们一起粉碎。假设石头的重量分别为 x 和 y,且 x <= y。那么粉碎的可能结果如下:
如果 x == y,那么两块石头都会被完全粉碎;
如果 x != y,那么重量为 x 的石头将会完全粉碎,而重量为 y 的石头新重量为 y-x。
最后,最多只会剩下一块石头。返回此石头最小的可能重量。如果没有石头剩下,就返回 0。
这道题第一次做没有什么思路,经过学习后发现,这道题可以采用动态规划的思路,跟上面的那道题思路差不多,我尽量让石头分成重量相等的两堆,这样碰撞完后所剩的重量就是最小的。跟上面那道题的将一个集合分成两个和相等的集合是一样的
class Solution {
public:
int lastStoneWeightII(vector& stones) {
vector dp(15001, 0);
int sum = 0;
for (int i = 0; i < stones.size(); i++) sum += stones[i];
int target = sum / 2;
for (int i = 0; i < stones.size(); i++) { // 遍历物品
for (int j = target; j >= stones[i]; j--) { // 遍历背包
dp[j] = max(dp[j], dp[j - stones[i]] + stones[i]);
}
}
return sum - dp[target] - dp[target];
}
};
首先给出采用回溯算法的思路的解法
class Solution {
private:
vector> result;
vector path;
void backtracking(vector& candidates, int target, int sum, int startIndex) {
if (sum == target) {
result.push_back(path);
}
// 如果 sum + candidates[i] > target 就终止遍历
for (int i = startIndex; i < candidates.size() && sum + candidates[i] <= target; i++) {
sum += candidates[i];
path.push_back(candidates[i]);
backtracking(candidates, target, sum, i + 1);
sum -= candidates[i];
path.pop_back();
}
}
public:
int findTargetSumWays(vector& nums, int S) {
int sum = 0;
for (int i = 0; i < nums.size(); i++) sum += nums[i];
if (S > sum) return 0; // 此时没有方案
if ((S + sum) % 2) return 0; // 此时没有方案,两个int相加的时候要各位小心数值溢出的问题
int bagSize = (S + sum) / 2; // 转变为组合总和问题,bagsize就是要求的和
// 以下为回溯法代码
result.clear();
path.clear();
sort(nums.begin(), nums.end()); // 需要排序
backtracking(nums, bagSize, 0, 0);
return result.size();
}
};
假设加法的总和为x,那么减法对应的总和就是sum - x。
所以我们要求的是 x - (sum - x) = target
x = (target + sum) / 2
此时问题就转化为,装满容量为x的背包,有几种方法。
首先是对dp[j]的意义进行规定:dp[j] 表示:填满j(包括j)这么大容积的包,有dp[j]种方法
然后是递推公式
dp[j] += dp[j - nums[i]]
整个的代码如下
class Solution {
public:
int findTargetSumWays(vector& nums, int S) {
int sum = 0;
for (int i = 0; i < nums.size(); i++) sum += nums[i];
if (abs(S) > sum) return 0; // 此时没有方案
if ((S + sum) % 2 == 1) return 0; // 此时没有方案
int bagSize = (S + sum) / 2;
vector dp(bagSize + 1, 0);
dp[0] = 1;
for (int i = 0; i < nums.size(); i++) {
for (int j = bagSize; j >= nums[i]; j--) {
dp[j] += dp[j - nums[i]];
}
}
return dp[bagSize];
}
};
给你一个二进制字符串数组 strs 和两个整数 m 和 n 。
请你找出并返回 strs 的最大子集的大小,该子集中 最多 有 m 个 0 和 n 个 1 。
如果 x 的所有元素也是 y 的元素,集合 x 是集合 y 的 子集 。
简单来说,就是给定你1和0的总个数,你需要在二进制字符串中进行选择,选择符合条件的最多的子集数。
1.确定dp数组(dp table)以及下标的含义
dp[i][j]:最多有i个0和j个1的strs的最大子集的大小为dp[i][j]。
2.确定递推公式
dp[i][j] 可以由前一个strs里的字符串推导出来,strs里的字符串有zeroNum个0,oneNum个1。
dp[i][j] 就可以是 dp[i - zeroNum][j - oneNum] + 1。
然后我们在遍历的过程中,取dp[i][j]的最大值。
所以递推公式:dp[i][j] = max(dp[i][j], dp[i - zeroNum][j - oneNum] + 1);
此时可以回想一下01背包的递推公式:dp[j] = max(dp[j], dp[j - weight[i]] + value[i]);
对比一下就会发现,字符串的zeroNum和oneNum相当于物品的重量(weight[i]),字符串本身的个数相当于物品的价值(value[i])。
这就是一个典型的01背包! 只不过物品的重量有了两个维度而已。
class Solution {
public:
int findMaxForm(vector& strs, int m, int n) {
vector> dp(m + 1, vector (n + 1, 0)); // 默认初始化0
for (string str : strs) { // 遍历物品
int oneNum = 0, zeroNum = 0;
for (char c : str) {
if (c == '0') zeroNum++;
else oneNum++;
}
for (int i = m; i >= zeroNum; i--) { // 遍历背包容量且从后向前遍历!
for (int j = n; j >= oneNum; j--) {
dp[i][j] = max(dp[i][j], dp[i - zeroNum][j - oneNum] + 1);
}
}
}
return dp[m][n];
}
};
完全背包就是一个物品可以被使用多次,也就是说背包里可以有很多个相同的物品,这一点就是跟01背包不一样的地方。01背包只能一个物品用一次,但是完全背包就是一个物品用多次。相应的,在使用滚动数组的情况下,01背包的内层循环是倒序遍历,就是为了能一个物品只被使用一次,所以当我用完全背包的时候,就需要一个物品使用多次,从而内层循环变为了正序遍历。
// 先遍历物品,在遍历背包
void test_CompletePack() {
vector weight = {1, 3, 4};
vector value = {15, 20, 30};
int bagWeight = 4;
vector dp(bagWeight + 1, 0);
for(int i = 0; i < weight.size(); i++) { // 遍历物品
for(int j = weight[i]; j <= bagWeight; j++) { // 遍历背包容量
dp[j] = max(dp[j], dp[j - weight[i]] + value[i]);
}
}
cout << dp[bagWeight] << endl;
}
int main() {
test_CompletePack();
}
与01背包不同的是,完全背包的滚动数组可以交换两个for循环的顺序
// 先遍历背包,再遍历物品
void test_CompletePack() {
vector weight = {1, 3, 4};
vector value = {15, 20, 30};
int bagWeight = 4;
vector dp(bagWeight + 1, 0);
for(int j = 0; j <= bagWeight; j++) { // 遍历背包容量
for(int i = 0; i < weight.size(); i++) { // 遍历物品
if (j - weight[i] >= 0) dp[j] = max(dp[j], dp[j - weight[i]] + value[i]);
}
}
cout << dp[bagWeight] << endl;
}
int main() {
test_CompletePack();
}
给定不同面额的硬币和一个总金额。写出函数来计算可以凑成总金额的硬币组合数。假设每一种面额的硬币有无限个。
这道题一眼完全背包的典型问题,但是先钱币再总金额还是先总金额再钱币是不一样的。如果是先钱币再总金额的话就是跟背包问题一模一样,就是取的是组合;而先总金额再钱币就是排列了。为什么呢?当我先遍历钱币再遍历总金额的时候,我的钱币只会被遍历一次,虽然我是总金额在从0-target一直变化,但是我的钱币至始至终只遍历了一次。而先总金额再钱币的情况下,我的钱币就会被遍历多次,也就是说会出现钱币组合为{a,b}和{b,a}的情况,但是我们算的时候这两个是只算一次的,这么一分析,那遍历顺序就只能是先钱币后总金额了
那么很明显,递推式就是dp[j] += dp[j - coins[i]],dp[j]是指凑成总金额j的货币组合数为dp[j],就是我如果要凑总金额是5的话,我手里有一个1,那么我就需要取找dp[4],将两个相加就能得到dp[5],所以递推公式是这样的
class Solution {
public:
int change(int amount, vector& coins) {
vector dp(amount + 1, 0);
dp[0] = 1;
for (int i = 0; i < coins.size(); i++) { // 遍历物品
for (int j = coins[i]; j <= amount; j++) { // 遍历背包
dp[j] += dp[j - coins[i]];
}
}
return dp[amount];
}
};
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。
这道题有一个坑,尽管说的是让求组合,但是又说顺序不同算作新的组合,那其实就是求排列,那求排列就需要注意遍历顺序了。那就需要先遍历target,再遍历nums了
dp[i]: 凑成目标正整数为i的排列个数为dp[i]
class Solution {
public:
int combinationSum4(vector& nums, int target) {
vector dp(target + 1, 0);
dp[0] = 1;
for (int i = 0; i <= target; i++) { // 遍历背包
for (int j = 0; j < nums.size(); j++) { // 遍历物品
if (i - nums[j] >= 0 && dp[i] < INT_MAX - dp[i - nums[j]]) {
dp[i] += dp[i - nums[j]];
}
}
}
return dp[target];
}
};
假设你正在爬楼梯。需要 n 阶你才能到达楼顶。
每次你可以爬 1 或 2 个台阶。你有多少种不同的方法可以爬到楼顶呢?
这道题本来是斐波那契数列的简单应用,也是动态规划的简单应用,当时说的是dp[i] = dp[i - 1] + dp[i - 2],很明显是由递推公式推出结果,学完完全背包问题后,再看这个题,很明显也是一个完全背包的有关问题,也就是“装满容量为j的背包有多少种方法”,那么这道题的递推公式就是dp[i] += dp[i - j],同时遍历顺序就是先遍历背包大小,再遍历方法,其中背包大小就是台阶数,方法就是“面值分别为1和2”的两种“硬币”
class Solution {
public:
int climbStairs(int n) {
vector dp(n + 1, 0);
dp[0] = 1;
for (int i = 1; i <= n; i++) { // 遍历背包
for (int j = 1; j <= m; j++) { // 遍历物品
if (i - j >= 0) dp[i] += dp[i - j];
}
}
return dp[n];
}
};
给定不同面额的硬币 coins 和一个总金额 amount。编写一个函数来计算可以凑成总金额所需的最少的硬币个数。如果没有任何一种硬币组合能组成总金额,返回 -1。
你可以认为每种硬币的数量是无限的。
这道题是上面那道题的“反过来”,上面那道题说的是由硬币装总金额,有多少种方法,而这道题问装总金额后的最少硬币个数,但本质上都是无限个硬币,所以还是完全背包问题
首先是下标含义,dp[j]:凑足总额为j所需钱币的最少个数为dp[j],递推公式就是dp[j] = min(dp[j - coins[i]] + 1, dp[j]),凑足总额为j - coins[i]的最少个数为dp[j - coins[i]],那么只需要加上一个钱币coins[i]即dp[j - coins[i]] + 1就是dp[j](考虑coins[i])
所以dp[j] 要取所有 dp[j - coins[i]] + 1 中最小的。
考虑到递推公式的特性,dp[j]必须初始化为一个最大的数,否则就会在min(dp[j - coins[i]] + 1, dp[j])比较的过程中被初始值覆盖。
所以下标非0的元素都是应该是最大值。
class Solution {
public:
int coinChange(vector& coins, int amount) {
vector dp(amount + 1, INT_MAX);
dp[0] = 0;
for (int i = 0; i < coins.size(); i++) { // 遍历物品
for (int j = coins[i]; j <= amount; j++) { // 遍历背包
if (dp[j - coins[i]] != INT_MAX) { // 如果dp[j - coins[i]]是初始值则跳过
dp[j] = min(dp[j - coins[i]] + 1, dp[j]);
}
}
}
if (dp[amount] == INT_MAX) return -1;
return dp[amount];
}
};
对于本题来说,两个for改变顺序也是可以的
class Solution {
public:
int coinChange(vector& coins, int amount) {
vector dp(amount + 1, INT_MAX);
dp[0] = 0;
for (int i = 1; i <= amount; i++) { // 遍历背包
for (int j = 0; j < coins.size(); j++) { // 遍历物品
if (i - coins[j] >= 0 && dp[i - coins[j]] != INT_MAX ) {
dp[i] = min(dp[i - coins[j]] + 1, dp[i]);
}
}
}
if (dp[amount] == INT_MAX) return -1;
return dp[amount];
}
};
给定正整数 n,找到若干个完全平方数(比如 1, 4, 9, 16, ...)使得它们的和等于 n。你需要让组成和的完全平方数的个数最少。
给你一个整数 n ,返回和为 n 的完全平方数的最少数量。
完全平方数 是一个整数,其值等于另一个整数的平方;换句话说,其值等于一个整数自乘的积。例如,1、4、9 和 16 都是完全平方数,而 3 和 11 不是。
这也是一道完全背包问题的翻版,我发现一个规律,只要能无限次使用,都想想看能不能用完全背包问题解决此类问题
完全平方数就是物品,可以无限次的使用,而和n就是背包总容量,问的就是当背包满的时候,怎样的情况下能用完全平方数最少
dp[j]:和为j的完全平方数的最少数量为dp[j]
dp[j] = min(dp[j - i * i] + 1, dp[j])
非0下标的dp[j]一定要初始为最大值,这样dp[j]在递推的时候才不会被初始值覆盖。
class Solution {
public:
int numSquares(int n) {
vector dp(n + 1, INT_MAX);
dp[0] = 0;
for (int i = 0; i <= n; i++) { // 遍历背包
for (int j = 1; j * j <= i; j++) { // 遍历物品
dp[i] = min(dp[i - j * j] + 1, dp[i]);
}
}
return dp[n];
}
};
同样的,这道题的for也可以交换顺序
class Solution {
public:
int numSquares(int n) {
vector dp(n + 1, INT_MAX);
dp[0] = 0;
for (int i = 1; i * i <= n; i++) { // 遍历物品
for (int j = i * i; j <= n; j++) { // 遍历背包
dp[j] = min(dp[j - i * i] + 1, dp[j]);
}
}
return dp[n];
}
};
终于把这四天的补完了,学了快4个小时,逆天 >,<