# 经典动态规划：子集背包问题

读完本文，你不仅学会了算法套路，还可以顺便去 LeetCode 上拿下如下题目：

[分割等和子集 (opens new window)](https://leetcode-cn.com/problems/partition-equal-subset-sum/)

上篇文章经典动态规划：0-1 背包问题详解了通用的 0-1 背包问题，今天来看看背包问题的思想能够如何运用到其他算法题目。

而且，不是经常有读者问，怎么将二维动态规划压缩成一维动态规划吗？这就是状态压缩，很容易的，本文也会提及这种技巧。

读者在阅读本文之前务必读懂前文 经典动态规划：0-1 背包问题 中讲的套路，因为本文就是按照背包问题的解题模板来讲解的。

# 问题分析

先看题目：

对于这个问题，看起来和背包没有任何关系，为什么说它是背包问题呢？

首先回忆一下背包问题大致的描述是什么：

给你一个可装载重量为 W 的背包和 N 个物品，每个物品有重量和价值两个属性。其中第 i 个物品的重量为 wt[i]，价值为 val[i]，现在让你用这个背包装物品，最多能装的价值是多少？

那么对于这个问题，我们可以先对集合求和，得出 sum，把问题转化为背包问题：

给一个可装载重量为 sum / 2 的背包和 N 个物品，每个物品的重量为 nums[i] 。现在让你装物品，是否存在一种装法，能够恰好将背包装满**？

你看，这就是背包问题的模型，甚至比我们之前的经典背包问题还要简单一些，下面我们就直接转换成背包问题，开始套前文讲过的背包问题框架即可。

# 解法分析

# 第一步：明确「状态」和「选择」

这个前文经典动态规划：背包问题已经详细解释过了，状态就是「背包的容量」和「可选择的物品」，选择就是「装进背包」或者「不装进背包」。

# 第二步：明确 dp 数组的定义

按照背包问题的套路，可以给出如下定义：

dp[i][j] = x 表示，对于前 i 个物品，当前背包的容量为 j 时，若 x 为 true，则说明可以恰好将背包装满，若 x 为 false，则说明不能恰好将背包装满。

比如说，如果 dp[4][9] = true，其含义为：对于容量为 9 的背包，若只是用前 4 个物品，可以有一种方法把背包恰好装满。

或者说对于本题，含义是对于给定的集合中，若只对前 4 个数字进行选择，存在一个子集的和可以恰好凑出 9。

根据这个定义，我们想求的最终答案就是 dp[N][sum/2]，base case 就是 dp[..][0] = true 和 dp[0][..] = false，因为背包没有空间的时候，就相当于装满了，而当没有物品可选择的时候，肯定没办法装满背包。

# 第三步：根据「选择」，思考状态转移的逻辑

回想刚才的 dp 数组含义，可以根据「选择」对 dp[i][j] 得到以下状态转移：

如果不把 nums[i] 算入子集，或者说你不把这第 i 个物品装入背包，那么是否能够恰好装满背包，取决于上一个状态 dp[i-1][j]，继承之前的结果。

如果把 nums[i] 算入子集，或者说你把这第 i 个物品装入了背包，那么是否能够恰好装满背包，取决于状态 dp[i-1][j-nums[i-1]]。

首先，由于 i 是从 1 开始的，而数组索引是从 0 开始的，所以第 i 个物品的重量应该是 nums[i-1]，这一点不要搞混。

dp[i - 1][j-nums[i-1]] 也很好理解：你如果装了第 i 个物品，就要看背包的剩余重量 j - nums[i-1] 限制下是否能够被恰好装满。

换句话说，如果 j - nums[i-1] 的重量可以被恰好装满，那么只要把第 i 个物品装进去，也可恰好装满 j 的重量；否则的话，重量 j 肯定是装不满的。

最后一步，把伪码翻译成代码，处理一些边界情况。

function canPartition(nums: number[]): boolean {
    let sum = nums.reduce((pre, cur) => pre + cur, 0)
    // 和为奇数的时候，不可能划分成两个和相等的集合
    if(sum % 2) return false
    
    const n = nums.length
    sum = sum / 2
    const dp = []
    for(let i = 0; i <= n; i++) {
        dp[i] = [true]
    }
    for(let j = 0; j <= sum; j++) {
        dp[0][j] = false
    }
    
    for(let i = 1; i <= n; i++) {
        for(let j = 1; j <= sum; j++) {
            if(j - nums[i - 1] < 0) {
                // 背包容量不足，不能装入第 i 个物品
                dp[i][j] = dp[i - 1][j]
            } else {
                // 择优装入或不装入
                dp[i][j] = dp[i - 1][j] || dp[i - 1][j - nums[i - 1]]
            }
        }
    }
    return dp[n][sum]
}

# 进行状态压缩

再进一步，是否可以优化这个代码呢？注意到 dp[i][j] 都是通过上一行 dp[i-1][..] 转移过来的，之前的数据都不会再使用了。

所以，我们可以进行状态压缩，将二维 dp 数组压缩为一维，节约空间复杂度：

function canPartition(nums: number[]): boolean {
    let sum = nums.reduce((pre, cur) => pre + cur, 0)
    const n = nums.length
    if(sum % 2) return false
    sum = sum / 2
    
    const dp = Array(sum + 1).fill(false)
    dp[0] = true
    
    for(let i = 0; i < n; i++) {
        for(let j = sum; j >= 0; j--) {
            if(j - nums[i] >= 0) dp[j] = dp[j] || dp[j - nums[i]]
        }
    }
    return dp[sum]
}

这就是状态压缩，其实这段代码和之前的解法思路完全相同，只在一行 dp 数组上操作，i 每进行一轮迭代，dp[j] 其实就相当于 dp[i-1][j]，所以只需要一维数组就够用了。

唯一需要注意的是 j 应该从后往前反向遍历，因为每个物品（或者说数字）只能用一次，以免之前的结果影响其他的结果。

至此，子集切割的问题就完全解决了，时间复杂度 O(n*sum)，空间复杂度 O(sum)。

← 经典动态规划：0-1背包问题.md 二叉树的序列化与反序列化.md →