算法模板-01背包

Posted 2021-12-25 周先森爱吃素

本文转载自Maple博客的算法模板-01背包问题，转载请注明出处。

题目描述

最基本的01背包问题描述如下：
有$N$件物品和一个容量为$V$的背包，放入第$i$个物品需要耗费的代价为$C_i$，得到的价值为$W_i$，求解将哪些物品装入背包可使价值总和最大。

解法

基本思路

最基础的背包问题，其每一件物品只有一个，可以选择放或者不放。一般采用二维动态规划来解决问题，通常定义其子状态为$dp[i][v]$，表示前$i$个物品放入到容量为$v$的背包中的最大的价值总和。那么这个值是如何得到的呢，对于第$i$个物品，无非就是两种情况，放或者不放。如果不放或者根本放不下（$v<C_i$），那么问题等同于前$i-1$个物品放入到容量为$v$的背包的情况，即：
$$dp[i][v]=dp[i-1][v]$$
如果选择放，那么问题就等同于前$i-1$个物品放入到容量为$v-C_i$的背包的情况，即：
$$dp[i][v]=dp[i-1][v-C_i]$$
最终$dp[i][v]$的取值就两者中更大的一个。

初始化dp数组时的细节

在大多数动态规划解法的题目中，初始化一直是很重要并且较难思考的一件事情。一般在求最优解的背包问题中，有两种问法，一个是要求“恰好装满背包”时的最优解，另一个则是不需要恰好装满背包，只求最优解。
如果是第一种情况，要求恰好装满背包，那么在初始化的时候，除了$dp[0][0]$为0，其它的$dp[0][1...V]$均设为$-\infty$。说明此时只有容量为0的背包可以在什么也不装的情况下被“恰好装满”，其价值为0，而容量为1…V的背包，无法在没有物品的情况下被装满，没有合法的解，所以设定为$-\infty$。
对于第二种情况，题目并没有要求背包装满，只是希望价值尽可能大，那么$dp[0][0...V]$均初始化为0。因为任何容量的背包都有一个合法解“什么都不装”，这个解的价值为0，所以初始化状态的值也就全部为0了。

背包问题的优化

上述的基本思路中，时间和空间的复杂度均为$O(VN)$，其中的空间复杂度是可以被优化到$O(V)$的。从$dp[i][v]$的更新方程中不难看出，其实$dp[i]$的值，只和$dp[i-1]$有关，如下图：

那我们在一开始初始化的时候，只需要初始化$dp[0...V]$大小的数组即可，每一次对物品的循环（$i$）都只需要更新这一行数组就行。但需要注意的是，更新的时候要逆序更新，即从V更新到0。
举个例子，假如正向更新，访问到了$v=6$的时候，你需要通过$new\_dp[6]=max(old\_dp[6],old\_dp[3])$，而由于是正向更新，$v=3$的值已经被更新成了$new\_dp[3]$，$old\_dp[3]$已经无法被访问，所以无法更新，所以这一层循环需要你需更新。

题目列表

在这里列举leetcode上四题经典01背包的题目。

• leetcode-416 分割等和子集
• leetcode-474 一和零
• leetcode-494 目标和
• leetcode-879 盈利计划

416 分割等和子集

原题链接

这题要求判断是否一个数组分成相等的两个子数组。
即选取若干个数字，刚好值为和的一半。
Python代码如下：

class Solution:
    def canPartition(self, nums: List[int]) -> bool:
        n = len(nums)
        if n == 1: return False
        total = sum(nums)
        if total % 2 == 1: return False
        target = total // 2
        maxnum = max(nums)
        if maxnum > target: return False

        dp = [[False] * (target + 1) for _ in range(n)]
        for i in range(n):
            dp[i][0] = True
        dp[0][nums[0]] = True
        for i in range(1, n):
            num = nums[i]
            for j in range(1, target + 1):
                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 - 1][target]

优化空间复杂度的版本如下：

class Solution:
    def canPartition(self, nums: List[int]) -> bool:
        n = len(nums)
        if n < 2:
            return False
        
        total = sum(nums)
        if total % 2 != 0:
            return False
        
        target = total // 2
        dp = [True] + [False] * target
        for i, num in enumerate(nums):
            for j in range(target, num - 1, -1):
                dp[j] |= dp[j - num]

        return dp[target]

474 一和零

原题链接
这题要求给你一个字符串数组，里面的字符串均为0和1组成，例如：strs = [“10”, “0001”, “111001”, “1”, “0”]，再给你$m=5$和$n=3$，让你找出0的个数小于$m$且1的个数小于$n$的最大子集的长度。
这题同经典背包问题不同的是，它有两重限制，需要采用三维动态规划完成，Python代码如下：

class Solution:
    def findMaxForm(self, strs: List[str], m: int, n: int) -> int:
        k = len(strs)
        if m == 0 and n == 0: return 0
        dp = [[[False] * (n + 1) for _ in range(m + 1)] for __ in range(k + 1)]
        for s in range(k+1):
            dp[s][0][0] = 0
        for i in range(m+1):
            for j in range(n+1):
                dp[0][i][j] = 0
        for s in range(1, k+1):
            for i in range(m + 1):
                for j in range(n + 1):
                    nums0, nums1 = self.count(strs[s - 1])
                    if nums0 <= i and nums1 <= j:
                        dp[s][i][j] = max(dp[s - 1][i][j], dp[s - 1][i - nums0][j - nums1] + 1)
                    else:
                        dp[s][i][j] = dp[s - 1][i][j]
        return dp[k][i][j]

	def count(self, s):
        count0, count1 = 0, 0
        for ss in s:
            if ss == '0':
                count0 += 1
            elif ss == '1':
                count1 += 1
        return count0, count1

虽然是三维动态规划，但其也可以进行空间复杂度的优化，其代码如下：

class Solution:
    def findMaxForm(self, strs: List[str], m: int, n: int) -> int:
        k = len(strs)
        if m == 0 and n == 0: return 0
        dp = [[0] * (n + 1) for _ in range(m + 1)]
        dp[0][0] = 0
        for s in range(1, k + 1):
            for i in range(m, -1, -1):
                for j in range(n, -1, -1):
                    nums0, nums1 = self.count(strs[s - 1])
                    if nums0 <= i and nums1 <= j:
                        dp[i][j] = max(dp[i][j], dp[i - nums0][j - nums1] + 1)
        return dp[m][n]

	def count(self, s):
        count0, count1 = 0, 0
        for ss in s:
            if ss == '0':
                count0 += 1
            elif ss == '1':
                count1 += 1
        return count0, count1

494 目标和

原题链接
题目要求，将给的数组中每个数字前面添加“$+$”或者“$-$”，使得整个公式的和为题目给的target，问一共有多少种公式。
例如，对于nums = [1,1,1,1,1], target = 3，则共有5种公式：
-1 + 1 + 1 + 1 + 1 = 3
+1 - 1 + 1 + 1 + 1 = 3
+1 + 1 - 1 + 1 + 1 = 3
+1 + 1 + 1 - 1 + 1 = 3
+1 + 1 + 1 + 1 - 1 = 3
第一眼看上去这题与背包问题并不一致，需要做一点小小的改变。通过所有数的总和以及给出的target，我们可以计算出所有前面符号为“

以上是关于算法模板-01背包的主要内容，如果未能解决你的问题，请参考以下文章

算法模板-01背包

算法模板-01背包

动态规划背包问题总结：01完全多重与其二进制优化分组背包 题解与模板

算法刷题总结

算法刷题总结

算法刷题总结