共计 8571 个字符,预计需要花费 22 分钟才能阅读完成。
读完本文,你不仅学会了算法套路,还能够顺便去 LeetCode 上拿下如下题目:
698. 划分为 k 个相等的子集(中等)
———–
之前说过回溯算法是口试中最好用的算法,只有你没什么思路,就用回溯算法暴力求解,即使不能通过所有测试用例,多少能过一点。
回溯算法的技巧也不难,前文 回溯算法框架套路 说过,回溯算法就是穷举一棵决策树的过程,只有在递归之前「做抉择」,在递归之后「撤销抉择」就行了。
然而,就算暴力穷举,不同的思路也有优劣之分 。
本文就来看一道十分经典的回溯算法问题,力扣第 698 题「划分为 k 个相等的子集」。这道题能够帮你更深刻理解回溯算法的思维,得心应手地写出回溯函数。
题目非常简单:
给你输出一个数组 nums
和一个正整数 k
,请你判断 nums
是否可能被平分为元素和雷同的 k
个子集。
函数签名如下:
boolean canPartitionKSubsets(int[] nums, int k);
咱们之前 背包问题之子集划分 写过一次子集划分问题,不过那道题只须要咱们把汇合划分成两个相等的汇合,能够转化成背包问题用动静布局技巧解决。
然而如果划分成多个相等的汇合,解法个别只能通过暴力穷举,工夫复杂度爆表,是练习回溯算法和递归思维的好机会。
一、思路剖析
首先,咱们回顾一下以前学过的排列组合常识:
1、P(n, k)
(也有很多书写成 A(n, k)
)示意从 n
个不同元素中拿出 k
个元素的排列(Permutation/Arrangement);C(n, k)
示意从 n
个不同元素中拿出 k
个元素的组合(Combination)总数。
2、「排列」和「组合」的次要区别在于是否思考程序的差别。
3、排列、组合总数的计算公式:
好,当初我问一个问题,这个排列公式 P(n, k)
是如何推导进去的?为了搞清楚这个问题,我须要讲一点组合数学的常识。
排列组合问题的各种变体都能够形象成「球盒模型」,P(n, k)
就能够形象成上面这个场景:
即,将 n
个标记了不同序号的球(标号为了体现程序的差别),放入 k
个标记了不同序号的盒子中(其中 n >= k
,每个盒子最终都装有恰好一个球),共有 P(n, k)
种不同的办法。
当初你来,往盒子里放球,你怎么放?其实有两种视角。
首先,你能够站在盒子的视角 ,每个盒子必然要抉择一个球。
这样,第一个盒子能够抉择 n
个球中的任意一个,而后你须要让剩下 k - 1
个盒子在 n - 1
个球中抉择:
另外,你也能够站在球的视角 ,因为并不是每个球都会被装进盒子,所以球的视角分两种状况:
1、第一个球能够不装进任何一个盒子,这样的话你就须要将剩下 n - 1
个球放入 k
个盒子。
2、第一个球能够装进 k
个盒子中的任意一个,这样的话你就须要将剩下 n - 1
个球放入 k - 1
个盒子。
联合上述两种状况,能够失去:
你看,两种视角失去两个不同的递归式,但这两个递归式解开的后果都是咱们熟知的阶乘模式:
至于如何解递归式,波及数学的内容比拟多,这里就不做深入探讨了,有趣味的读者能够自行学习组合数学相干常识。
回到正题,这道算法题让咱们求子集划分,子集问题和排列组合问题有所区别,但咱们能够借鉴「球盒模型」的形象,用两种不同的视角来解决这道子集划分问题。
把装有 n
个数字的数组 nums
分成 k
个和雷同的汇合,你能够设想将 n
个数字调配到 k
个「桶」里,最初这 k
个「桶」里的数字之和要雷同。
前文 回溯算法框架套路 说过,回溯算法的要害在哪里?
要害是要晓得怎么「做抉择」,这样能力利用递归函数进行穷举。
那么模拟排列公式的推导思路,将 n
个数字调配到 k
个桶里,咱们也能够有两种视角:
视角一,如果咱们切换到这 n
个数字的视角,每个数字都要抉择进入到 k
个桶中的某一个 。
视角二,如果咱们切换到这 k
个桶的视角,对于每个桶,都要遍历 nums
中的 n
个数字,而后抉择是否将以后遍历到的数字装进本人这个桶里 。
你可能问,这两种视角有什么不同?
用不同的视角进行穷举,尽管后果雷同,然而解法代码的逻辑齐全不同,进而算法的效率也会不同;比照不同的穷举视角,能够帮你更粗浅地了解回溯算法,咱们缓缓道来 。
二、以数字的视角
用 for 循环迭代遍历 nums
数组大家必定都会:
for (int index = 0; index < nums.length; index++) {System.out.println(nums[index]);
}
递归遍历数组你会不会?其实也很简略:
void traverse(int[] nums, int index) {if (index == nums.length) {return;}
System.out.println(nums[index]);
traverse(nums, index + 1);
}
只有调用 traverse(nums, 0)
,和 for 循环的成果是齐全一样的。
那么回到这道题,以数字的视角,抉择 k
个桶,用 for 循环写进去是上面这样:
// k 个桶(汇合),记录每个桶装的数字之和
int[] bucket = new int[k];
// 穷举 nums 中的每个数字
for (int index = 0; index < nums.length; index++) {
// 穷举每个桶
for (int i = 0; i < k; i++) {// nums[index] 抉择是否要进入第 i 个桶
// ...
}
}
如果改成递归的模式,就是上面这段代码逻辑:
// k 个桶(汇合),记录每个桶装的数字之和
int[] bucket = new int[k];
// 穷举 nums 中的每个数字
void backtrack(int[] nums, int index) {
// base case
if (index == nums.length) {return;}
// 穷举每个桶
for (int i = 0; i < bucket.length; i++) {
// 抉择装进第 i 个桶
bucket[i] += nums[index];
// 递归穷举下一个数字的抉择
backtrack(nums, index + 1);
// 撤销抉择
bucket[i] -= nums[index];
}
}
尽管上述代码仅仅是穷举逻辑,还不能解决咱们的问题,然而只有略加欠缺即可:
// 主函数
boolean canPartitionKSubsets(int[] nums, int k) {
// 排除一些根本状况
if (k > nums.length) return false;
int sum = 0;
for (int v : nums) sum += v;
if (sum % k != 0) return false;
// k 个桶(汇合),记录每个桶装的数字之和
int[] bucket = new int[k];
// 实践上每个桶(汇合)中数字的和
int target = sum / k;
// 穷举,看看 nums 是否能划分成 k 个和为 target 的子集
return backtrack(nums, 0, bucket, target);
}
// 递归穷举 nums 中的每个数字
boolean backtrack(int[] nums, int index, int[] bucket, int target) {if (index == nums.length) {
// 查看所有桶的数字之和是否都是 target
for (int i = 0; i < bucket.length; i++) {if (bucket[i] != target) {return false;}
}
// nums 胜利平分成 k 个子集
return true;
}
// 穷举 nums[index] 可能装入的桶
for (int i = 0; i < bucket.length; i++) {
// 剪枝,桶装装满了
if (bucket[i] + nums[index] > target) {continue;}
// 将 nums[index] 装入 bucket[i]
bucket[i] += nums[index];
// 递归穷举下一个数字的抉择
if (backtrack(nums, index + 1, bucket, target)) {return true;}
// 撤销抉择
bucket[i] -= nums[index];
}
// nums[index] 装入哪个桶都不行
return false;
}
有之前的铺垫,置信这段代码是比拟容易了解的。这个解法尽管可能通过,然而耗时比拟多,其实咱们能够再做一个优化。
次要看 backtrack
函数的递归局部:
for (int i = 0; i < bucket.length; i++) {
// 剪枝
if (bucket[i] + nums[index] > target) {continue;}
if (backtrack(nums, index + 1, bucket, target)) {return true;}
}
如果咱们让尽可能多的状况命中剪枝的那个 if 分支,就能够缩小递归调用的次数,肯定水平上缩小工夫复杂度 。
如何尽可能多的命中这个 if 分支呢?要晓得咱们的 index
参数是从 0 开始递增的,也就是递归地从 0 开始遍历 nums
数组。
如果咱们提前对 nums
数组排序,把大的数字排在后面,那么大的数字会先被调配到 bucket
中,对于之后的数字,bucket[i] + nums[index]
会更大,更容易触发剪枝的 if 条件。
所以能够在之前的代码中再增加一些代码:
boolean canPartitionKSubsets(int[] nums, int k) {
// 其余代码不变
// ...
/* 降序排序 nums 数组 */
Arrays.sort(nums);
for (i = 0, j = nums.length - 1; i < j; i++, j--) {// 替换 nums[i] 和 nums[j]
int temp = nums[i];
nums[i] = nums[j];
nums[j] = temp;
}
/*******************/
return backtrack(nums, 0, bucket, target);
}
因为 Java 的语言个性,这段代码通过先升序排序再反转,达到降序排列的目标。
三、以桶的视角
文章结尾说了, 以桶的视角进行穷举,每个桶须要遍历 nums
中的所有数字,决定是否把以后数字装进桶中;当装满一个桶之后,还要装下一个桶,直到所有桶都装满为止 。
这个思路能够用上面这段代码示意进去:
// 装满所有桶为止
while (k > 0) {
// 记录以后桶中的数字之和
int bucket = 0;
for (int i = 0; i < nums.length; i++) {// 决定是否将 nums[i] 放入以后桶中
bucket += nums[i] or 0;
if (bucket == target) {
// 装满了一个桶,装下一个桶
k--;
break;
}
}
}
那么咱们也能够把这个 while 循环改写成递归函数,不过比方才稍微简单一些,首先写一个 backtrack
递归函数进去:
boolean backtrack(int k, int bucket,
int[] nums, int start, boolean[] used, int target);
不要被这么多参数吓到,我会一个个解释这些参数。 如果你可能透彻了解本文,也能得心应手地写出这样的回溯函数 。
这个 backtrack
函数的参数能够这样解释:
当初 k
号桶正在思考是否应该把 nums[start]
这个元素装进来;目前 k
号桶外面曾经装的数字之和为 bucket
;used
标记某一个元素是否曾经被装到桶中;target
是每个桶须要达成的指标和。
依据这个函数定义,能够这样调用 backtrack
函数:
boolean canPartitionKSubsets(int[] nums, int k) {
// 排除一些根本状况
if (k > nums.length) return false;
int sum = 0;
for (int v : nums) sum += v;
if (sum % k != 0) return false;
boolean[] used = new boolean[nums.length];
int target = sum / k;
// k 号桶初始什么都没装,从 nums[0] 开始做抉择
return backtrack(k, 0, nums, 0, used, target);
}
实现 backtrack
函数的逻辑之前,再反复一遍,从桶的视角:
1、须要遍历 nums
中所有数字,决定哪些数字须要装到以后桶中。
2、如果以后桶装满了(桶内数字和达到 target
),则让下一个桶开始执行第 1 步。
上面的代码就实现了这个逻辑:
boolean backtrack(int k, int bucket,
int[] nums, int start, boolean[] used, int target) {
// base case
if (k == 0) {
// 所有桶都被装满了,而且 nums 肯定全副用完了
// 因为 target == sum / k
return true;
}
if (bucket == target) {
// 装满了以后桶,递归穷举下一个桶的抉择
// 让下一个桶从 nums[0] 开始选数字
return backtrack(k - 1, 0 ,nums, 0, used, target);
}
// 从 start 开始向后探查无效的 nums[i] 装入以后桶
for (int i = start; i < nums.length; i++) {
// 剪枝
if (used[i]) {// nums[i] 曾经被装入别的桶中
continue;
}
if (nums[i] + bucket > target) {// 以后桶装不下 nums[i]
continue;
}
// 做抉择,将 nums[i] 装入以后桶中
used[i] = true;
bucket += nums[i];
// 递归穷举下一个数字是否装入以后桶
if (backtrack(k, bucket, nums, i + 1, used, target)) {return true;}
// 撤销抉择
used[i] = false;
bucket -= nums[i];
}
// 穷举了所有数字,都无奈装满以后桶
return false;
}
这段代码是能够得出正确答案的,然而效率很低,咱们能够思考一下是否还有优化的空间 。
首先,在这个解法中每个桶都能够认为是没有差别的,然而咱们的回溯算法却会对它们区别对待,这里就会呈现反复计算的状况。
什么意思呢?咱们的回溯算法,说到底就是穷举所有可能的组合,而后看是否能找出和为 target
的 k
个桶(子集)。
那么,比方上面这种状况,target = 5
,算法会在第一个桶外面装 1, 4
:
当初第一个桶装满了,就开始装第二个桶,算法会装入 2, 3
:
而后以此类推,对前面的元素进行穷举,凑出若干个和为 5 的桶(子集)。
但问题是,如果最初发现无奈凑出和为 target
的 k
个子集,算法会怎么做?
回溯算法会回溯到第一个桶,从新开始穷举,当初它晓得第一个桶里装 1, 4
是不可行的,它会尝试把 2, 3
装到第一个桶里:
当初第一个桶装满了,就开始装第二个桶,算法会装入 1, 4
:
好,到这里你应该看进去问题了,这种状况其实和之前的那种状况是一样的。也就是说,到这里你其实曾经晓得不须要再穷举了,必然凑不出来和为 target
的 k
个子集。
但咱们的算法还是会傻乎乎地持续穷举,因为在她看来,第一个桶和第二个桶外面装的元素不一样,那这就是两种不一样的状况呀。
那么咱们怎么让算法的智商进步,辨认出这种状况,防止冗余计算呢?
你留神这两种状况的 used
数组必定长得一样,所以 used
数组能够认为是回溯过程中的「状态」。
所以,咱们能够用一个 memo
备忘录,在装满一个桶时记录以后 used
的状态,如果以后 used
的状态是已经呈现过的,那就不必再持续穷举,从而起到剪枝防止冗余计算的作用 。
有读者必定会问,used
是一个布尔数组,怎么作为键进行存储呢?这其实是小问题,比方咱们能够把数组转化成字符串,这样就能够作为哈希表的键进行存储了。
看下代码实现,只有略微改一下 backtrack
函数即可:
// 备忘录,存储 used 数组的状态
HashMap<String, Boolean> memo = new HashMap<>();
boolean backtrack(int k, int bucket, int[] nums, int start, boolean[] used, int target) {
// base case
if (k == 0) {return true;}
// 将 used 的状态转化成形如 [true, false, ...] 的字符串
// 便于存入 HashMap
String state = Arrays.toString(used);
if (bucket == target) {
// 装满了以后桶,递归穷举下一个桶的抉择
boolean res = backtrack(k - 1, 0, nums, 0, used, target);
// 将以后状态和后果存入备忘录
memo.put(state, res);
return res;
}
if (memo.containsKey(state)) {
// 如果以后状态曾今计算过,就间接返回,不要再递归穷举了
return memo.get(state);
}
// 其余逻辑不变...
}
这样提交解法,发现执行效率仍然比拟低,这次不是因为算法逻辑上的冗余计算,而是代码实现上的问题。
因为每次递归都要把 used
数组转化成字符串,这对于编程语言来说也是一个不小的耗费,所以咱们还能够进一步优化 。
留神题目给的数据规模 nums.length <= 16
,也就是说 used
数组最多也不会超过 16,那么咱们齐全能够用「位图」的技巧,用一个 int 类型的 used
变量来代替 used
数组。
具体来说,咱们能够用整数 used
的第 i
位((used >> i) & 1
)的 1/0 来示意 used[i]
的 true/false。
这样一来,不仅节约了空间,而且整数 used
也能够间接作为键存入 HashMap,省去数组转字符串的耗费。
看下最终的解法代码:
public boolean canPartitionKSubsets(int[] nums, int k) {
// 排除一些根本状况
if (k > nums.length) return false;
int sum = 0;
for (int v : nums) sum += v;
if (sum % k != 0) return false;
int used = 0; // 应用位图技巧
int target = sum / k;
// k 号桶初始什么都没装,从 nums[0] 开始做抉择
return backtrack(k, 0, nums, 0, used, target);
}
HashMap<Integer, Boolean> memo = new HashMap<>();
boolean backtrack(int k, int bucket,
int[] nums, int start, int used, int target) {
// base case
if (k == 0) {
// 所有桶都被装满了,而且 nums 肯定全副用完了
return true;
}
if (bucket == target) {
// 装满了以后桶,递归穷举下一个桶的抉择
// 让下一个桶从 nums[0] 开始选数字
boolean res = backtrack(k - 1, 0, nums, 0, used, target);
// 缓存后果
memo.put(used, res);
return res;
}
if (memo.containsKey(used)) {
// 防止冗余计算
return memo.get(used);
}
for (int i = start; i < nums.length; i++) {
// 剪枝
if (((used >> i) & 1) == 1) { // 判断第 i 位是否是 1
// nums[i] 曾经被装入别的桶中
continue;
}
if (nums[i] + bucket > target) {continue;}
// 做抉择
used |= 1 << i; // 将第 i 地位为 1
bucket += nums[i];
// 递归穷举下一个数字是否装入以后桶
if (backtrack(k, bucket, nums, i + 1, used, target)) {return true;}
// 撤销抉择
used ^= 1 << i; // 应用异或运算将第 i 位复原 0
bucket -= nums[i];
}
return false;
}
至此,这道题的第二种思路也实现了。
四、最初总结
本文写的这两种思路都能够算出正确答案,不过第一种解法即使通过了排序优化,也显著比第二种解法慢很多,这是为什么呢?
咱们来剖析一下这两个算法的工夫复杂度,假如 nums
中的元素个数为 n
。
先说第一个解法,也就是从数字的角度进行穷举,n
个数字,每个数字有 k
个桶可供选择,所以组合出的后果个数为 k^n
,工夫复杂度也就是 O(k^n)
。
第二个解法,每个桶要遍历 n
个数字,对每个数字有「装入」或「不装入」两种抉择,所以组合的后果有 2^n
种;而咱们有 k
个桶,所以总的工夫复杂度为 O(k*2^n)
。
当然,这是对最坏复杂度上界的粗略估算,理论的复杂度必定要好很多,毕竟咱们增加了这么多剪枝逻辑 。不过,从复杂度的上界曾经能够看出第一种思路要慢很多了。
所以,谁说回溯算法没有技巧性的?尽管回溯算法就是暴力穷举,但穷举也分聪慧的穷举形式和低效的穷举形式,要害看你以谁的「视角」进行穷举。
艰深来说,咱们应该尽量「少量多次」,就是说宁肯多做几次抉择,也不要给太大的抉择空间;宁肯「二选一」选 k
次,也不要「k
选一」选一次。
好了,这道题咱们从两种视角进行穷举,尽管代码量看起来多,但外围逻辑都是相似的,置信你通过本文可能更粗浅地了解回溯算法。
_____________
点击我的头像 查看更多优质算法文章,手把手带你刷力扣,致力于把算法讲清楚!我的 算法教程 曾经取得 100k star,欢送点赞!