【十七】【动态规划】DP41 【模板】01背包、416. 分割等和子集、494. 目标和,三道题目深度解析

动态规划

动态规划就像是解决问题的一种策略,它可以帮助我们更高效地找到问题的解决方案。这个策略的核心思想就是将问题分解为一系列的小问题,并将每个小问题的解保存起来。这样,当我们需要解决原始问题的时候,我们就可以直接利用已经计算好的小问题的解,而不需要重复计算。

动态规划与数学归纳法思想上十分相似。

数学归纳法:

  1. 基础步骤(base case):首先证明命题在最小的基础情况下成立。通常这是一个较简单的情况,可以直接验证命题是否成立。

  2. 归纳步骤(inductive step):假设命题在某个情况下成立,然后证明在下一个情况下也成立。这个证明可以通过推理推断出结论或使用一些已知的规律来得到。

通过反复迭代归纳步骤,我们可以推导出命题在所有情况下成立的结论。

动态规划:

  1. 状态表示:

  2. 状态转移方程:

  3. 初始化:

  4. 填表顺序:

  5. 返回值:

数学归纳法的基础步骤相当于动态规划中初始化步骤。

数学归纳法的归纳步骤相当于动态规划中推导状态转移方程。

动态规划的思想和数学归纳法思想类似。

在动态规划中,首先得到状态在最小的基础情况下的值,然后通过状态转移方程,得到下一个状态的值,反复迭代,最终得到我们期望的状态下的值。

接下来我们通过三道例题,深入理解动态规划思想,以及实现动态规划的具体步骤。

DP41 【模板】01背包

题目解析

第一问

状态表示

状态表示通常由经验+题目要求得的。

我们最容易想到的状态表示是,定义dp[i]表示从前i个物品中挑选,背包所能达到的最大价值。

动态规划最重要的是希望能够推导出一个递推式,使得我们从一个很小的,很容易得到的基础解,带入递推式,反复推导,最后得到我们希望得到的答案。所以我们很容易想到,根据从前i个物品中挑选,挑选物品的数量,构成我们的每一项,希望能够推导出递推式。

如果我们要推导dp[i],我们找不到前面状态和i位置状态的关系,我们知道的信息是前面位置状态的值,状态值表示所能达到的最大价值,但是我不知道达到最大价值时,背包的容量,所以我就没办法考虑是否选择第i个物品放入背包,或者不放入背包,如果我们此时还知道对应的背包容量,如果还有位置,我们就可以选择把第i个物品放进去,这样似乎可以推导出状态转移方程。所以此时我们还需要表示一个状态,就是此时背包内物品占用的空间是多大。

因此我们可以定义,f[i]表示从前i个物品中挑选,背包所能达到的最大价值。g[i]表示从从前i个物品中挑选,背包所能达到的最大价值时,背包占用的体积。

尝试推导状态转移方程,

  1. 如果把第i个物品放入背包, 此时g[i-1]+v[i]<=V , 此时从前i个物品挑选,所能达到的最大价值,等价于从前i-1个物品挑选,所能达到的最大价值加上第i个物品的价值,即在f[i]的基础上,把第i个物品放入背包,此时f[i]=f[i-1]+w[i],g[i]=g[i-1]+v[i]。

  2. 如果不把第i个物品放入背包, 此时g[i-1]+v[i]>V, 此时f[i]=f[i-1],g[i]=g[i-1],这样写是对的吗?乍一看好像没什么问题,但这样不对,有可能从前i-1个物品中挑选,达到的价值不是最大,而是第二大,此时的体积再加上第i个位置的物品的体积比背包总体积小,但是两者价值加起来比f[i-1]大,这种情况f[i]!=f[i-1]。也就是我们还需要遍历前面所有状态,看看是不是(g[j]+v[i]<=V)这种情况,如果是,记录一下f[j]的值,找到最大的f[j]值,然后和f[i-1]比较,选大的值。这样状态转移方程的推导就变得十分麻烦,我们希望改变状态表示,使得状态转移方程能够正常推导,并且简便。

改进,

上面遇到的问题是,我们不知道,从前i-1物品挑选,价值和第二大的体积花费,价值和第三大的体积花费......如果知道这些状态,我们就可以直接用。

我们需要的状态是上面的体积花费,因此我们可以以体积为划分,定义dp[i][j]表示从前i个物品中挑选,总体积不超过j,所有选法中,所能达到的最大价值。

这样我们就使得原先只能存储最大价值的体积g,转变为可以存储不同体积花费的二维dp。

综上所述,状态表示为,定义dp[i][j]表示从前i个物品中挑选,总体积不超过j,所有选法中,所能达到的最大价值。

状态转移方程

  1. 如果把第i个物品放入背包, dp[i][j]表示从前i个物品中挑选,总体积不超过j,所有选法中,所能达到的最大价值。此时剩下的体积最多是j-v[i]。

    1. j-v[i]<0, 此时没办法把第i个物品放入背包,此时dp[i][j]=0。

    2. j-v[i]=0, 此时把第i个物品放入背包,背包放不下东西了,此时dp[i][j]=w[i]。

    3. j-v[i]>0, 此时把第i个物品放入背包,背包还能放j-v[i]体积的物品,此时dp[i][j]=dp[i-1][j-v[i]]+w[i]。

  2. 如果不把第i个物品放入背包, 此时背包还能放j体积的物品,从前i-1物品中挑选,dp[i][j]=dp[i-1][j],

当j-v[i]=0时,dp[i-1][0]=0,此时dp[i][j]=dp[i-1][j-v[i]]+w[i]。

将上述情况合并和简化,得到状态转移方程为,

复制代码
cpp 复制代码
    dp[i][j] = dp[i - 1][j];
    if (j >= v[i])
        dp[i][j] = max(dp[i][j], dp[i - 1][j - v[i]] + w[i]);

初始化

通过状态转移方程,我们我们知道在推导(i,j)位置的状态时,需要用到(i-1,j)(i-1,j-v[i])的位置的状态,j-v[i]一定不会越界,可能越界的是i-1,而我们状态表示为定义dp[i][j]表示从前i个物品中挑选,总体积不超过j,所有选法中,所能达到的最大价值。所以我们本质上多添加了一列。我们只需要初始第一行即可。

i=0表示不选物品,所以价值都为0,第一行全部初始化为0。

填表顺序

通过状态转移方程,我们我们知道在推导(i,j)位置的状态时,需要用到(i-1,j)(i-1,j-v[i])的位置的状态,j-v[i]一定不会越界。

  1. 固定i改变j, i的变化需要从小到大,j的变化可以从小到大也可以从大到小。

  2. 固定j改变i, j的变化需要从小到大,因为要用到(i-1,j)位置的状态,所以i的变化也需要从小到大。

返回值

状态表示为定义dp[i][j]表示从前i个物品中挑选,总体积不超过j,所有选法中,所能达到的最大价值。

结合题目意思,需要打印dp[n][V]。

这样我们就解决了第一问。


第二问

状态表示

第二问需要求恰好体积为V时,背包所能达到的最大价值。

在第一问的基础上,我们很容易定义这样一个状态表示,定义dp[i][j]表示从前i个物品中挑选,总体积恰好为j,所有选法中所能达到的最大价值。

状态转移方程

  1. 如果把第i个物品放入背包, dp[i][j]表示从前i个物品中挑选,总体积恰好为j,所有选法中所能达到的最大价值。此时剩下的体积恰好是j-v[i]。

    1. j-v[i]<0, 此时没办法把第i个物品放入背包,此时dp[i][j]=0。

    2. j-v[i]=0, 此时把第i个物品放入背包,背包放不下东西了,此时dp[i][j]=w[i]。

    3. j-v[i]>0, 此时把第i个物品放入背包,背包还需要放j-v[i]体积的物品,此时dp[i][j]=dp[i-1][j-v[i]]+w[i]。我这样写对吗?此时背包必须放j-v[i]体积的物品,如果前j-1物品挑选不能满足体积为j-v[i]的情况,此时dp[i][j]=0。如果写成上面的式子,dp[i][j]=w[i]。因此我们还需要分类讨论。

      1. 如果前j-1物品挑选不能满足体积为j-v[i]的情况, 此时dp[i][j]=0。

      2. 如果前j-1物品挑选能满足体积为j-v[i]的情况, 此时dp[i][j]=d[i-1][j-v[i]]+w[i]。

  2. 如果不把第i个物品放入背包, 此时背包还需要放j体积的物品,从前i-1物品中挑选,dp[i][j]=dp[i-1][j]。

当j-v[i]=0时,dp[i-1][0]=0,此时dp[i][j]=dp[i-1][j-v[i]]+w[i]。

将上述情况进行合并和简化,得到状态转移方程,

复制代码
cpp 复制代码
        dp[i][j] = dp[i - 1][j];
        if (j >= v[i] && dp[i - 1][j - v[i]] != -1)
            dp[i][j] = max(dp[i][j], dp[i - 1][j - v[i]] + w[i]);

用-1表示前j-1物品挑选不能满足体积为j-v[i]的情况。

初始化

通过状态转移方程,我们我们知道在推导(i,j)位置的状态时,需要用到(i-1,j)(i-1,j-v[i])的位置的状态,j-v[i]一定不会越界,可能越界的是i-1,而我们状态表示为定义dp[i][j]表示从前i个物品中挑选,总体积不超过j,所有选法中,所能达到的最大价值。所以我们本质上多添加了一列。我们只需要初始第一行即可。

i=0,表示不选择物品,最大价值为0,所以(0,0)为0,其他位置为-1,表示达不到恰好体积为j的情况。

复制代码
cpp 复制代码
    for (int j = 1; j <= V; j++) dp[0][j] = -1;

填表顺序

通过状态转移方程,我们我们知道在推导(i,j)位置的状态时,需要用到(i-1,j)(i-1,j-v[i])的位置的状态,j-v[i]一定不会越界。

  1. 固定i改变j, i的变化需要从小到大,j的变化可以从小到大也可以从大到小。

  2. 固定j改变i, j的变化需要从小到大,因为要用到(i-1,j)位置的状态,所以i的变化也需要从小到大。

返回值

状态表示为定义dp[i][j]表示从前i个物品中挑选,总体积不超过j,所有选法中,所能达到的最大价值。

结合题目意思,需要打印dp[n][V]。此时需要判断dp[n][V]是否==-1,等于-1表示不存在,无解返回0,如果不为-1,返回dp[n][V]。

代码实现

复制代码
cpp 复制代码
#include <iostream>
#include <string.h>

using namespace std;

const int N = 1010;

int n, V, v[N], w[N];
int dp[N][N];

int main() {

    cin >> n >> V;
    for (int i = 1; i <= n; i++)
        cin >> v[i] >> w[i];


    for (int i = 1; i <= n; i++)
        for (int j = 0; j <= V; j++) { 
            dp[i][j] = dp[i - 1][j];
            if (j >= v[i])
                dp[i][j] = max(dp[i][j], dp[i - 1][j - v[i]] + w[i]);
        }

    cout << dp[n][V] << endl;

//第二问
    memset(dp, 0, sizeof dp);
    for (int j = 1; j <= V; j++) dp[0][j] = -1;
    for (int i = 1; i <= n; i++)
        for (int j = 0; j <= V; j++) { 
            dp[i][j] = dp[i - 1][j];
            if (j >= v[i] && dp[i - 1][j - v[i]] != -1)
                dp[i][j] = max(dp[i][j], dp[i - 1][j - v[i]] + w[i]);
        }
    cout << (dp[n][V] == -1 ? 0 : dp[n][V]) << endl;

    return 0;
}

416. 分割等和子集 - 力扣(LeetCode)

题目解析

状态表示

01背包问题本质是从一些物品中选物品,本质上是有关组合的问题,而本题目也是在一些数中挑选出一些数,因为我们可以以01背包为模版,定义状态表示。

01背包问题的状态表示为,

定义dp[i][j]表示从前i个物品中挑选,总体积不超过j,所有选法中,所能达到的最大价值。

定义dp[i][j]表示从前i个物品中挑选,总体积为j,所有选法中,所能达到的最大价值。

因此我们可以定义dp[i][j]表示能否从nums[0,i]区间中挑选元素,使总数字和为j。

状态转移方程

状态转移方程的推导是以最后一个位置的状况进行分类讨论。

  1. 如果挑选i位置的元素,

    1. 如果j-nums[i]<0, 此时表示i位置元素比j还要大,此时dp[i][j]=false;

    2. 如果j-nums[i] =0, 此时dp[i][j]=true;

    3. 如果j-nums[i]>0, 此时dp[i][j]=dp[i-1][j-nums[i]];

  2. 如果不挑选i位置的元素, 此时dp[i][j]=dp[i-1][j];

将上述情况进行合并和简化,得到状态转移方程,

复制代码
cpp 复制代码
        dp[i][j] = dp[i - 1][j];
        if (j > nums[i])
            dp[i][j] = dp[i][j] || dp[i - 1][j - nums[i]];
        else if(j == nums[i]) dp[i][j] = true;

初始化

根据状态转移方程,我们知道,在推导(i,j)位置的状态时,需要用到(i-1,j)(i-1,j-nums[i])位置的状态。

所以我们需要初始化第一行位置的状态,在推导蓝色部分位置状态的时候没有前驱,所以需要初始化这些位置的状态值。使用(i-1,j-nums[i])状态时,j-nums[i]一定不会越界。所以只需要考虑(i-1,j)

状态表示,定义dp[i][j]表示能否从nums[0,i]区间中挑选元素,使总数字和为j。

i==0,表示从只选择挑选或者不挑选第一个元素,能否使数字和为j。如果nums[0]==j,或者j==0,此时dp[i][j]=true。

故初始化为,

复制代码
cpp 复制代码
        for (int j = 0; j < n; j++)
            if(nums[0] == j || j == 0) dp[0][j] = true;

填表顺序

根据状态转移方程,我们知道,在推导(i,j)位置的状态时,需要用到(i-1,j)(i-1,j-nums[i])位置的状态。使用(i-1,j-nums[i])状态时,j-nums[i]一定不会越界。所以只需要考虑(i-1,j)

  1. 固定i改变j, i的变化,需要从小到大,j的变化可以从小到大也可以从大到小。

  2. 固定j改变i, j的变化可以从小到大也可以从大到小,i的变化需要从小到大。

返回值

状态表示,定义dp[i][j]表示能否从nums[0,i]区间中挑选元素,使总数字和为j。

结合题目意思,我们需要在nums[0,n-1]区间挑选元素,使总数字和为所有元素数字和的一半。

所以我们可以用aim表示所有元素数字和的一半,

因此需要返回dp[n-1][aim];

代码实现

复制代码
cpp 复制代码
class Solution {
public:
    bool canPartition(vector<int>& nums) {
        int n = nums.size(), sum = 0;
        for (auto x : nums)
            sum += x;
        if (sum % 2)
            return false; // 如果不能平分,直接返回 false
        int aim = sum / 2;
        vector<vector<bool>> dp(n, vector<bool>(aim + 1));
        for (int j = 0; j < n; j++)
            if(nums[0] == j || j==0) dp[0][j] = true;
        for (int i = 1; i < n; i++)
            for (int j = 0; j <= aim; j++) {
                dp[i][j] = dp[i - 1][j];
                if (j > nums[i])
                    dp[i][j] = dp[i][j] || dp[i - 1][j - nums[i]];
                else if (j == nums[i])
                    dp[i][j] = true;
            }
        return dp[n - 1][aim];
    }
};

494. 目标和 - 力扣(LeetCode)

题目解析

状态表示

01背包问题本质是从一些物品中选物品,本质上是有关组合的问题,而本题目也是在一些数中挑选出一些数,因为我们可以以01背包为模版,定义状态表示。

01背包问题的状态表示为,

定义dp[i][j]表示从前i个物品中挑选,总体积不超过j,所有选法中,所能达到的最大价值。

定义dp[i][j]表示从前i个物品中挑选,总体积为j,所有选法中,所能达到的最大价值。

因此我们可以定义dp[i][j]表示从nums[0,i]区间中挑选元素,使总数字和为j,一共有多少种选法。

状态转移方程

状态转移方程的推导是以最后一个位置的状况进行分类讨论。

dp[i][j]表示从nums[0,i]区间中挑选元素,使总数字和为j,一共有多少种选法。

  1. 如果挑选i位置的元素,

    1. 如果j-nums[i]<0, 此时表示i位置元素比j还要大,此时dp[i][j]=0;

    2. 如果j-nums[i] =0, 此时表示挑选i位置元素后,数字和就为j了,此时还需要考虑数字和为0的挑选种类次数,所以此时dp[i][j]=dp[i-1][j-nums[i-1]];

    3. 如果j-nums[i]>0, dp[i-1][j-nums[i]]表示从nums[0,i-1]区间中挑选元素,使总数字和为j-nums[i],一共有多少种选法。这些选法的每一种选法中,都加上i位置的元素,选法数不变,但是这些选法使得数字和都为j。 此时dp[i][j]=dp[i-1][j-nums[i]];

  2. 如果不挑选i位置的元素, 此时dp[i][j]=dp[i-1][j];

将上述情况进行合并和简化,得到状态转移方程,

复制代码
cpp 复制代码
                dp[i][j] = dp[i - 1][j];
                if (j >= nums[i])
                    dp[i][j] += dp[i - 1][j - nums[i]];
            

初始化

根据状态转移方程,我们知道,在推导(i,j)位置的状态时,需要用到(i-1,j)(i-1,j-nums[i])位置的状态,而只有j>nums[i]的时候才会用到(i-1,j-nums[i])位置的状态,所以我们只需要考虑(i-1,j)。

所以我们需要初始化第一行位置的状态,在推导蓝色部分位置状态的时候没有前驱,所以需要初始化这些位置的状态值。

我们可以添加虚拟节点,即多添加一行和一列,使这些虚拟节点成为蓝色位置的前驱,这样就不用初始化蓝色位置的值,而变为初始化虚拟节点即可。

这样做的好处是,虚拟结点的初始化可能比蓝色部分位置状态的初始化要简便许多。

添加虚拟结点后,状态表示和状态转移方程会发生改变,即,

dp[i][j]表示从nums[0,i-1]区间中挑选元素,使总数字和为j,一共有多少种选法。

复制代码
cpp 复制代码
                dp[i][j] = dp[i - 1][j];
                if (j >= nums[i - 1])
                    dp[i][j] += dp[i - 1][j - nums[i - 1]];

添加虚拟节点后,有两点注意事项,

  1. 初始化虚拟节点,必须保证推导后续位置的状态的正确性。

  2. 下标的映射关系。

初始化虚拟节点:

我们根据状态表示,dp[i][j]表示从nums[0,i-1]区间中挑选元素,使总数字和为j,一共有多少种选法。我们同时可以根据状态表示赋予第一行意义,表示不选元素时的情况。

接下来初始化绿色位置的状态。

此时表示不选择元素,此时(0,0)位置dp[0][0]=1,其他位置为0。

下标映射关系:

  1. 此时,dp[i][j]表示从nums[0,i-1]区间中挑选元素,使总数字和为j,一共有多少种选法。 dp中i对应nums的i-1。

  2. 如果在nums前面添加一个占位符,就可以使得dp中i,j继续映射nums1,nums2中i,j。

我们这里选择第一种解决办法。

得到初始化,

复制代码
cpp 复制代码
        dp[0][0] = 1;  

填表顺序

根据状态转移方程,我们知道,在推导(i,j)位置的状态时,需要用到(i-1,j)(i-1,j-nums[i])位置的状态。使用(i-1,j-nums[i])状态时,j-nums[i]一定不会越界。所以只需要考虑(i-1,j)

  1. 固定i改变j, i的变化,需要从小到大,j的变化可以从小到大也可以从大到小。

  2. 固定j改变i, j的变化可以从小到大也可以从大到小,i的变化需要从小到大。

返回值

dp[i][j]表示从nums[0,i-1]区间中挑选元素,使总数字和为j,一共有多少种选法。

结合题目意思,我们需要在nums[0,n-1]区间挑选元素,使总数字和为所有元素数字和的一半。

所以我们可以用aim表示所有元素数字和的一半,

因此需要返回dp[n][aim];

代码实现

复制代码
cpp 复制代码
class Solution {
public:
    int findTargetSumWays(vector<int>& nums, int target) {
        int sum = 0;
        for (auto x : nums)
            sum += x;
        int aim = (sum + target) / 2;

        if (aim < 0 || (sum + target) % 2)
            return 0;
        int n = nums.size();
        vector<vector<int>> dp(n + 1, vector<int>(aim + 1)); // 建表
        dp[0][0] = 1;                                        // 初始化
        for (int i = 1; i <= n; i++)                         // 填表
            for (int j = 0; j <= aim; j++) {
                dp[i][j] = dp[i - 1][j];
                if (j >= nums[i - 1])
                    dp[i][j] += dp[i - 1][j - nums[i - 1]];
            }
        // 返回结果
        return dp[n][aim];
    }
};

结尾

今天我们学习了动态规划的思想,动态规划思想和数学归纳法思想有一些类似,动态规划在模拟数学归纳法的过程,已知一个最简单的基础解,通过得到前项与后项的推导关系,由这个最简单的基础解,我们可以一步一步推导出我们希望得到的那个解,把我们得到的解依次存放在dp数组中,dp数组中对应的状态,就像是数列里面的每一项。最后感谢您阅读我的文章,对于动态规划系列,我会一直更新,如果您觉得内容有帮助,可以点赞加关注,以快速阅读最新文章。

最后,感谢您阅读我的文章,希望这些内容能够对您有所启发和帮助。如果您有任何问题或想要分享您的观点,请随时在评论区留言。

同时,不要忘记订阅我的博客以获取更多有趣的内容。在未来的文章中,我将继续探讨这个话题的不同方面,为您呈现更多深度和见解。

谢谢您的支持,期待与您在下一篇文章中再次相遇!

相关推荐
蜀黍@猿6 分钟前
C/C++基础错题归纳
c++
古希腊掌管学习的神8 分钟前
[搜广推]王树森推荐系统笔记——曝光过滤 & Bloom Filter
算法·推荐算法
qystca9 分钟前
洛谷 P1706 全排列问题 C语言
算法
古希腊掌管学习的神14 分钟前
[LeetCode-Python版]相向双指针——611. 有效三角形的个数
开发语言·python·leetcode
赵钰老师14 分钟前
【R语言遥感技术】“R+遥感”的水环境综合评价方法
开发语言·数据分析·r语言
浊酒南街15 分钟前
决策树(理论知识1)
算法·决策树·机器学习
雨中rain21 分钟前
Linux -- 从抢票逻辑理解线程互斥
linux·运维·c++
就爱学编程22 分钟前
重生之我在异世界学编程之C语言小项目:通讯录
c语言·开发语言·数据结构·算法
学术头条27 分钟前
清华、智谱团队:探索 RLHF 的 scaling laws
人工智能·深度学习·算法·机器学习·语言模型·计算语言学
Oneforlove_twoforjob1 小时前
【Java基础面试题025】什么是Java的Integer缓存池?
java·开发语言·缓存