2019 iOS面试题大全---全方面剖析面试
2018 iOS面试题---算法相关
1、七种常见的数组排序算法整理(C语言版本)
2、2019 算法面试相关(leetcode)--数组和链表
3、2019 算法面试相关(leetcode)--字符串
4、2019 算法面试相关(leetcode)--栈和队列
5、2019 算法面试相关(leetcode)--优先队列
6、2019 算法面试相关(leetcode)--哈希表
7、2019 算法面试相关(leetcode)--树、二叉树、二叉搜索树
8、2019 算法面试相关(leetcode)--递归与分治
9、2019 算法面试相关(leetcode)--贪心算法
10、2019 算法面试相关(leetcode)--动态规划(Dynamic Programming)
11、2019 算法面试相关(leetcode)--动态规划之背包问题
背包问题(Knapsack problem)是一种组合优化的NP完全问题。问题可以描述为：给定一组物品，每种物品都有自己的重量和价格，在限定的总重量内，我们如何选择，才能使得物品的总价格最高。问题的名称来源于如何选择最合适的物品放置于给定背包中。相似问题经常出现在商业、组合数学，计算复杂性理论、密码学和应用数学等领域中。也可以将背包问题描述为决定性问题，即在总重量不超过W的前提下，总价值是否能达到V？它是在1978年由Merkel和Hellman提出的。
常见的背包问题：01背包、完全背包、多重背包
一、01背包问题
有M个物品，每个物品的重量为W[i]，每个物品的价值为V[i]。
现在有一个背包，它所能容纳的重量为N
问：当你面对这么多有价值的物品时，你的背包所能带走的最大价值是多少？
每个物品无非是装入背包或者不装入背包，即每个物品的取值无非就是0或者1，故而这题被称为01背包问题。
我们可以用动态规划的思路，在循环过程中比较第i个物品取与不取的大小，取其中大的一个，依次循环即可。
其状态转移方程为：dp[j] = Math.max(V[i] + dp[j - W[i]],dp[j]) ，表示背包已装容量为j时,背包里所装物品的最大总价值
其约束条件是：∑(num[i]*w[i]) <= N，其中num指第i个物品取的数量，取值为0或1，所以我们要有一个嵌套遍历。
需要注意的是，因为每个物品数量只有一个，即最多只能取一次，所以在遍历背包容量N的时候需倒序遍历，这样能保证不会重复添加物品
var zeroOneBag = function(W,V,N){
let dp = Array(N + 1).fill(0)
for(let i = 0; i < W.length; i++){
for(let j = N; j >= w[i]; j--){
dp[j] = Math.max(V[i] + dp[j - W[i]],dp[j])
}
}
return dp[N]
}
二、完全背包问题
有M个物品，每种物品有无限个，每个物品的重量为weight[i]，每个物品的价值为value[i]。
现在有一个背包，它所能容纳的重量为N
问：当你面对这么多有价值的物品时，你的背包所能带走的最大价值是多少？
完全背包问题和01背包问题很像，解决思路也和上边的差不多，区别就在于每种物品不限，即约束条件有变化：∑(num[i]*w[i]) <= N，其中num指第i个物品取的数量，取值为非负整数
所以我们只要正序遍历即可
var completelyBag = function(W,V,N){
let dp = Array(N + 1).fill(0)
for(let i = 0; i < W.length; i++){
for(let j = W[i]; j <= N; j++){
dp[j] = Math.max(V[i] + dp[j - W[i]],dp[j])
}
}
return dp[N]
}
这种方法的时间复杂度：O(M*N),空间复杂度:O(N)
- 因为每个背包数量不限制，这里其实没必要用动态规划，还有一种排序解法：V[i]/W[i]表示每点重量所提供的价值，即价重比。按价重比从大到小排序，然后依次遍历，直至背包不能再塞
这种方法的时间复杂度则是O(MlogM),空间复杂度是O(M),是要优于动态规划的
/**
* 物品对象
*
* @param {*} w 物品重量
* @param {*} v 物品价值
* @param {*} r 物品价重比
*/
function Goods(w,v,r) {
this.w = w;
this.v = v;
this.r = r;
}
var completelyBag2 = function(W,V,N){
let GoodsArr = []
for(let i = 0; i < W.length; i++){
GoodsArr[i] = new Goods(W[i],V[i],V[i]/W[i])
}
GoodsArr.sort((a,b) => b.r - a.r) //将物品按价重比从大到小排序
let res = 0
for(let i = 0; i < GoodsArr.length; i++){
let goods = GoodsArr[i]
res += Math.floor(N/goods.w)*goods.v
N = N%goods.w
if(N == 0) return res
}
return res
}
三、多重背包问题
有N个物品，每种物品有nums[i]个，每个物品的重量为weight[i]，每个物品的价值为value[i]。
现在有一个背包，它所能容纳的重量为V，
问：当你面对这么多有价值的物品时，你的背包所能带走的最大价值是多少？
多重背包问题多了一个变量nums[i],但状态转移方程还是和上边差不多的
dp[j] = Math.max(kV[i] + dp[j - kW[i]],dp[j])，k即是指第i个物品取的数量，取值为0-nums[i]
因为不是无限，所以我们还是需要和01背包问题一样，去倒序遍历背包容量N
约束条件：∑(num[i]*w[i]) <= N，其中num指第i个物品取的数量，取值为0-nums[i]
所以我们在遍历的时候就需要再嵌套一层，添加变量：Math.min(~~(j/W[i]),nums[i]) ，表示第i件物品在容量为j的背包里可以带走的最大数量
var multipleBag = function(W,V,N,nums){
let dp = Array(N + 1).fill(0)
for(let i = 0; i < W.length; i++){
for(let j = N; j >= w[i]; j--){
let count = Math.min(~~(j/W[i]),nums[i]) //第i件物品在容量为j的背包里可以带走的最大数量
for(let k = 0; k <= count; k++){
dp[j] = Math.max(k*V[i] + dp[j - k*W[i]],dp[j])
}
}
}
return dp[N]
}
w = [5 ,4 ,7 ,2 ,6]
v = [12 ,3 ,10, 3 ,6]
nums = [2,4,1,5,3]
console.log(zeroOneBag(w,v,15))
console.log(completelyBag(w,v,15))
console.log(completelyBag2(w,v,15))
console.log(multipleBag(w,v,15,nums))
输出结果分别是：25，36，36，30
leetcode上并没有背包问题的题目，但有其类似的题目。
一、零钱兑换
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。
示例 1:
输入: coins = [1, 2, 5], amount = 11
输出: 3
解释: 11 = 5 + 5 + 1
示例 2:
输入: coins = [2], amount = 3
输出: -1
说明:
你可以认为每种硬币的数量是无限的。
比较类似完全背包问题,只不过这种变成求最少数量。
其状态转移方程为dp[i] = Math.min(dp[i - c] + 1,dp[i])，dp[i]表示总金额为i时所需硬币的最小数量，如果为Infinity即无穷大时则说明无法凑成i；c为硬币数组中的元素，表示如果i比c大，可以使用c这个硬币加上dp[i - c]的数量凑成金额i，取其最少数量即可
和完全背包问题一样，这里也是正序遍历的
var coinChange = function(coins, amount) {
let dp = Array(amount + 1).fill(Infinity)
dp[0] = 0
for (const c of coins) {
for(let i = c; i < dp.length; i++){
dp[i] = Math.min(dp[i - c] + 1,dp[i])
}
}
return dp[amount] == Infinity ? -1 : dp[amount]
};
二、 一和零
在计算机界中，我们总是追求用有限的资源获取最大的收益。
现在，假设你分别支配着 m 个 0 和 n 个 1。另外，还有一个仅包含 0 和 1 字符串的数组。
你的任务是使用给定的 m 个 0 和 n 个 1 ，找到能拼出存在于数组中的字符串的最大数量。每个 0 和 1 至多被使用一次。
注意:
给定 0 和 1 的数量都不会超过 100。
给定字符串数组的长度不会超过 600。
示例 1:
输入: Array = {"10", "0001", "111001", "1", "0"}, m = 5, n = 3
输出: 4
解释: 总共 4 个字符串可以通过 5 个 0 和 3 个 1 拼出，即 "10","0001","1","0" 。
示例 2:
输入: Array = {"10", "0", "1"}, m = 1, n = 1
输出: 2
解释: 你可以拼出 "10"，但之后就没有剩余数字了。更好的选择是拼出 "0" 和 "1" 。
这是一道比较典型的01背包问题。
只不过约束条件变成了m和n两个，那么dp就会是一个二维数组dp[m][n]
其动态转移方程为：dp[i][j] = Math.max(dp[i - zeros][j - ones] + 1,dp[i][j])
var findMaxForm = function(strs, m, n) {
let dp = Array(m + 1)
for(let i = 0; i < m + 1; i++){
dp[i] = Array(n + 1).fill(0)
}
for (const str of strs) {
let zeros = ones = 0
for(let i = 0; i < str.length; i++){
if(str[i] == '0') zeros++
else ones++
}
for(let i = m; i >= zeros; i--){
for(let j = n; j >= ones; j--){
dp[i][j] = Math.max(dp[i - zeros][j - ones] + 1,dp[i][j])
}
}
}
return dp[m][n]
};
