leetcode
leetcode 1001 ~ 1050
最后一块石头的重量 II

最后一块石头的重量 II

难度:

标签:

题目描述

代码结果

运行时间: 21 ms, 内存: 16.0 MB


/*
 * 思路:
 * 1. 将所有石头总重量的一半作为背包容量。
 * 2. 使用动态规划找到最接近这个容量的组合。
 * 3. 最小可能重量是总重量减去两倍的最大可达背包重量。
 */
import java.util.Arrays;

public class Solution {
    public int lastStoneWeightII(int[] stones) {
        int sum = Arrays.stream(stones).sum();
        int target = sum / 2;
        int[] dp = new int[target + 1];
        Arrays.stream(stones).forEach(stone -> {
            for (int j = target; j >= stone; j--) {
                dp[j] = Math.max(dp[j], dp[j - stone] + stone);
            }
        });
        return sum - 2 * dp[target];
    }
}

解释

方法:

此题可以转化为一个经典的动态规划问题。我们可以将问题理解为如何将石头分为两堆,使得这两堆石头的重量之差最小。这是一个类似于背包问题的变种,其中我们尝试找到总重量不超过总重量一半的最大重量。我们使用一个位向量来表示可以达到的重量,初始时只有重量0是可达的。对于每块石头,我们更新这个位向量,标记新的可达重量。最后,我们从最大可达重量开始向下检查,找到最接近总重量一半的值,这样可以保证两堆石头的重量差最小。

时间复杂度:

O(n * total/2)

空间复杂度:

O(total/2)

代码细节讲解

🦆
题解中提到'将问题转化为动态规划问题',请问是如何从原问题描述到动态规划这一转变的?具体是哪些逻辑使得这个问题可以看作是背包问题的变形?
原问题是将一组石头分成两堆,使得它们的重量差最小。这可以转化为寻找一种分配方式,使得一堆石头的重量尽可能接近总重量的一半。如果我们设总重量为sum,那么目标是使其中一堆的重量接近sum/2,这就形成了一个背包问题:从给定的石头中选取若干块,使得它们的总重量不超过sum/2的同时尽可能大。这是一个典型的0/1背包问题,因为每块石头只能选择或不选择(即0或1)。动态规划在这里适用,因为我们可以通过小问题的最优解构建大问题的最优解,即从已知小重量的最优组合推导出包含更多石头时的最优组合。
🦆
在动态规划解法中,位向量的更新操作`v |= v >> s`是如何工作的?能否详细解释这个操作如何帮助追踪可达的重量?
在动态规划解法中使用位向量`v`来表示达到某个重量是否可能。位向量的每个位代表一个重量,如果某位是1,则表示该重量可达。初始化时,只有重量0是可达的,因此位向量只在最低位为1。当加入一块石头重量`s`时,原有的可达重量集合通过向右移动`s`位来创建新的可达重量集合。这意味着,如果之前某个重量`w`可达(即`v`的第`w`位为1),那么加上这块石头后,重量`w+s`也将可达(即`v`的第`w+s`位也应设为1)。操作`v |= v >> s`是将原位向量向右移动`s`位,然后与原位向量进行逻辑或操作,从而更新位向量,使得所有通过添加当前石头能达到的新重量都被标记为可达。
🦆
题解提到使用位向量来存储状态,这种方法与常规的动态规划数组有何不同?使用位向量有什么特别的优势吗?
位向量与常规的动态规划数组的主要区别在于空间效率。位向量通过每个二进制位来表示一个状态,因此相较于通常使用整数数组(其中每个数组元素通常占用至少4个字节)来存储状态的动态规划方法,位向量大大减少了内存占用。例如,一个常规的动态规划数组需要1000个整数来存储状态,则至少需要4000字节,而位向量只需要1000比特,大约125字节。此外,位向量的操作通常可以利用CPU的位操作指令,这可能在某些情况下提高运算效率。然而,位向量的缺点是它不如数组直观,且在某些情况下可能不容易处理更复杂的状态转移。

相关问题