分割等和子集
nums=[1,5,11,5] 能否平分 sum=22→子集和 11。
nums=[1,5,11,5] 能否平分 sum=22→子集和 11。
当前格依赖哪些已知状态,为什么这些状态已经计算完成?
0/1 背包 dp[sum] 可达;等价 subset sum。
先说结论:这道题到底解决什么
怎样从“nums=[1,5,11,5] 能否平分 sum=22→子集和 11。”推导出 背包 DP · 0/1,并证明每次状态变化都不会漏掉答案?
中心结论:0/1 背包 dp[sum] 可达;等价 subset sum。
- 1.暴力方案在哪里重复计算,为什么仍然是正确基线?
- 2.当前格依赖哪些已知状态,为什么这些状态已经计算完成?
- 3.不变量“dp[j]|=dp[j-num]。”为什么能保证算法安全前进?
完整题目与题意拆解
给定一个只包含正整数的非空数组。是否可以将这个数组分割成两个子集,使得两个子集的元素和相等。
1. 每个数组中的元素不会超过 100 2. 数组的大小不会超过 200
在本站主例中,nums=[1,5,11,5] 能否平分 sum=22→子集和 11。
算法最终需要得到或观察:可达 11,true。
- • 输入:nums=[1,5,11,5] 能否平分 sum=22→子集和 11。
- • 机器需要维护:dp 布尔、nums[i]。
- • 最终可观察结果:可达 11,true。
先看清算法到底要维护什么
先建立输入、目标、输出和第一批状态,不急着进入模板。
完全背包:每种硬币无限
第一层方案:暴力做法
直接递归会反复求同一个子问题;动态规划把答案写入状态表并按依赖顺序复用。
暴力方案的价值是确认题意并提供正确性基线。它通常会覆盖所有候选, 但没有保存已经确认的信息,因此同一状态会被重新计算。
重复工作究竟发生在哪里
把重复读取或重复搜索的区域明确标出,再决定优化必须保存什么。
完全背包:每种硬币无限
整体地图:先做什么,再做什么
- 1建模把输入翻译成“状态表账本”,明确答案需要观察什么。
- 2状态只维护 dp 布尔、nums[i]。
- 3转移每一步按照 0/1 背包 dp[sum] 可达;等价 subset sum。
- 4收尾读取 可达 11,true。,并复核边界与复杂度。
状态表账本:核心概念
先写清 dp 状态含义,再推导转移、初值和遍历顺序。
这道题不是为了记住一个组件名称,而是为了让状态具有可解释的语义:dp 布尔、nums[i]。
- • dp[j]|=dp[j-num]。
建立“状态表账本”心智模型
用主例建立核心状态,先预测下一步,再公开正确分支和理由。
完全背包:每种硬币无限
核心机制:状态如何一步步变化
给定一个非空的数组,其中所有的数字都是正整数。问是否可以将这个数组的元素分为两部分,使得每部分的数字和相等。 这一题是典型的完全背包的题型。在 n 个物品中选出一定物品,完全填满 sum/2 的背包。 `F(n,C)` 代表将 n 个物品填满容量为 C 的背包,状态转移方程为 `F(i,C) = F(i - 1,C) || F(i - 1, C - w[i])`。当 i - 1 个物品就可以填满 C ,这种情况满足题意。同时如果 i - 1 个物品不能填满背包,加上第 i 个物品以后恰好可以填满这个背包,也可以满足题意。时间复杂度 `O( n sum/2 ) = O( n sum)`。
0/1 背包 dp[sum] 可达;等价 subset sum。
执行过程中持续维护:dp 布尔、nums[i]。
正确性依赖以下不变量:dp[j]|=dp[j-num]。
面试时可以压缩为:0/1 背包 O(n·sum)。
落到当前题,执行机制可以压缩为:0/1 背包 dp[sum] 可达;等价 subset sum。每一次更新都必须保持核心不变量,而不是只让样例碰巧得到正确答案。
一次状态转移为什么成立
集中观察一次选择、计算和状态写回,让变量变化与原因同时出现。
从 0 转移而来
正确性证明:为什么不会漏答案
初始化:算法开始时,全部合法候选仍在状态表示范围内;dp[j]|=dp[j-num]。
保持:执行“0/1 背包 dp[sum] 可达;等价 subset sum。”时,只删除已经能证明不可能的候选,并把新信息写回 dp 布尔、nums[i]。
终止:没有待处理状态或达到命中条件时,当前可观察结果就是“可达 11,true。”。
完整执行过程
- 1题目与输入nums=[1,5,11,5] 能否平分 sum=22→子集和 11。 因为:0/1 背包 dp[sum] 可达;等价 subset sum。
- 2dp[1] 用硬币 1: 0+1 = 1尝试每种硬币松弛。 因为:完全背包正序枚举容量。
- 3预测下一步先不要看下一帧——根据当前不变量,预测算法接下来会怎么动。 因为:主动预测会暴露你对不变量的真实理解,比被动看动画有效得多。
- 4dp[4] 用硬币 1: 3+1 = 4尝试每种硬币松弛。 因为:完全背包正序枚举容量。
- 5dp[5] 用硬币 5: 0+1 = 1尝试每种硬币松弛。 因为:完全背包正序枚举容量。
- 6dp[7] 用硬币 1: 2+1 = 3尝试每种硬币松弛。 因为:完全背包正序枚举容量。
- 7无法凑出返回 dp[amount]。 因为:O(amount·|coins|)。
- 8收尾与复杂度可达 11,true。 因为:时间 O(n) · 空间 O(1)。0/1 背包 dp[sum] 可达;等价 subset sum。
从输入完整走到可观察结果
从主例第一帧运行到答案,时间轴始终显示当前状态、因果解释和下一步。
完全背包:每种硬币无限
把动画和 Go 代码逐行对应
代码窗口不会按容易漂移的固定数字行号硬绑动画,而是根据当前语义阶段, 在完整 Go 实现中定位选择、计算、写回或返回分支。当前变量与高亮行一起变化。
让每个动作都落到 Go 分支
重新执行关键分支,只显示当前代码附近窗口,并说明这行为什么在此刻运行。
完全背包:每种硬币无限
完整 Go 提交代码与最小测试
func canPartition(nums []int) bool {
sum := 0
for _, v := range nums {
sum += v
}
if sum%2 != 0 {
return false
}
// C = half sum
n, C, dp := len(nums), sum/2, make([]bool, sum/2+1)
for i := 0; i <= C; i++ {
dp[i] = (nums[0] == i)
}
for i := 1; i < n; i++ {
for j := C; j >= nums[i]; j-- {
dp[j] = dp[j] || dp[j-nums[i]]
}
}
return dp[C]
}func main() {
// 1. 主例
// 输入:mode="coin-change", coins=[1,5,11,5], amount=11
// 期望:可达 11,true。
//
// 2. 失败 / 未命中
// 检查:sum 奇数直接 false。
//
// 3. 边界
// 空输入、单元素、最小合法规模,以及答案恰好落在边界的情况。
//
// 4. 迁移
// LC494 目标和;LC322 零钱
}Go 参考实现基于 halfrost/LeetCode-Go 的 MIT 许可代码整理,并按本站教学结构补充解释与动画映射。
正确性与复杂度
执行过程中只保留仍可能影响答案的状态。0/1 背包 dp[sum] 可达;等价 subset sum。
额外状态主要用于维护:dp 布尔、nums[i]。
- • dp[j]|=dp[j-num]。
最容易写错的地方
sum 奇数直接 false。
必须额外检查空输入、单元素、未命中或不可达情况,以及恰好落在边界的输入。
最后复盘:带走逻辑链
- 1题意nums=[1,5,11,5] 能否平分 sum=22→子集和 11。
- 2重复直接递归会反复求同一个子问题;动态规划把答案写入状态表并按依赖顺序复用。
- 3优化0/1 背包 dp[sum] 可达;等价 subset sum。
- 4证明dp[j]|=dp[j-num]。
- 5复杂度时间 O(n),空间 O(1)
- • LC494 目标和
- • LC322 零钱