LeetCode 2732. 找到矩阵中的好子集

一、题目描述

给定一个 m x n 的整数矩阵 mat 和一个整数 k，我们需要找到一个大小为 k 的子集 rows，使得这个子集对应的行在矩阵 mat 中构成的子矩阵中，所有元素之和最大。返回这个子矩阵中所有元素之和的最大值。

注意：

子集 rows 中的每个元素（即行索引）都应该是唯一的。
子集 rows 的大小应为 k。

示例：

输入：mat = [[1,2,3],[4,5,6],[7,8,9]], k = 2

输出：18

解释：选择第 1 行和第 2 行，得到子矩阵 [[4,5,6],[7,8,9]]，子矩阵中所有元素之和为 18。

二、解题思路

为了解决这个问题，我们需要从几个不同的角度进行思考。首先，由于题目要求返回的是子矩阵中所有元素之和的最大值，我们可以考虑使用贪心算法来尝试解决这个问题。但是，贪心算法在这里可能并不适用，因为我们不能保证每一步的选择都是最优的。

其次，我们可以考虑使用回溯法（Backtracking）来解决这个问题。回溯法是一种通过穷举所有可能的解来找出所有解的算法。在这个问题中，我们可以将回溯法应用于选择行索引的过程中，通过递归地尝试所有可能的组合，来找到满足条件的最优解。

具体的解题步骤如下：

定义回溯函数：我们需要定义一个回溯函数，该函数接受当前选择的行索引集合、当前选择的行索引数量以及当前子矩阵的元素和作为参数。
判断终止条件 ：在回溯函数中，我们首先判断当前选择的行索引数量是否达到了 k。如果达到了 k，则更新最大元素和（如果当前子矩阵的元素和大于之前的最大元素和）。
递归选择：然后，我们遍历矩阵中的每一行，对于每一行，我们有两种选择：选择该行（将其添加到当前选择的行索引集合中，并递归调用回溯函数处理下一行），或者不选择该行（直接递归调用回溯函数处理下一行）。
回溯操作：在递归调用完成后，我们需要将当前选择的行索引从集合中移除，以便尝试其他可能的组合。
初始化参数并调用回溯函数 ：最后，我们初始化最大元素和为一个较小的值（如0），并调用回溯函数开始处理第一行。
但除了回溯法之外，如果矩阵的行数不是非常大，我们还可以考虑使用动态规划（Dynamic Programming）结合位运算来优化解决方案。以下是两种代码实现：

1. 回溯法（Backtracking）

python 复制代码

def goodSubsetSum(mat, k):
    m, n = len(mat), len(mat[0])
    max_sum = 0

    def backtrack(rows, curr_sum, start):
        nonlocal max_sum
        if len(rows) == k:
            max_sum = max(max_sum, curr_sum)
            return

        for i in range(start, m):
            if i > start and mat[i] == mat[i - 1]:  # 避免重复选择相同的行
                continue
            backtrack(rows + [i], curr_sum + sum(mat[i]), i + 1)

    backtrack([], 0, 0)
    return max_sum

# 示例测试
mat = [[1,2,3],[4,5,6],[7,8,9]]
k = 2
print(goodSubsetSum(mat, k))  # 输出: 18

接下来，我们可以考虑使用动态规划的方法。然而，动态规划通常需要定义一个状态数组来保存中间结果，但在这个问题中，由于我们需要选择的是行索引，而不是具体的元素值，因此状态的定义可能会变得比较复杂。

2. 动态规划结合位运算（Dynamic Programming with Bit Manipulation）

由于矩阵中的行是唯一的（或者可以视为唯一，如避免选择重复行），我们可以使用位掩码（bitmask）来表示一个行集合。对于m行矩阵，我们可以使用一个m位的二进制数来表示选择了哪些行。

python 复制代码

def goodSubsetSum(mat, k):
    m, n = len(mat), len(mat[0])
    dp = [0] * (1 << m)  # 初始化dp数组，大小为2^m

    # 初始化只选择一行的情况
    for i in range(m):
        dp[1 << i] = sum(mat[i])

    # 动态规划填充dp数组
    for mask in range(1, 1 << m):
        if bin(mask).count('1') <= k:  # 确保选择的行数不超过k
            for i in range(m):
                if mask & (1 << i):  # 如果第i行被选择
                    # 尝试移除第i行并更新最大和（实际上不会真的移除，只是计算不包括第i行的和）
                    next_mask = mask ^ (1 << i)
                    dp[mask] = max(dp[mask], dp[next_mask] + sum(mat[i]))

    # 查找包含k行的最大和
    max_sum = 0
    for mask in range(1 << m):
        if bin(mask).count('1') == k:
            max_sum = max(max_sum, dp[mask])

    return max_sum

# 示例测试
mat = [[1,2,3],[4,5,6],[7,8,9]]
k = 2
print(goodSubsetSum(mat, k))  # 输出: 18

注意：动态规划结合位运算的方法在m（行数）较大时可能会因为空间复杂度过高而不太实用，因为它需要一个大小为2^m的数组来存储中间结果。然而，在m较小的情况下，这种方法可能会比回溯法更快，因为它避免了不必要的重复计算。