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:
698. 划分为k个相等的子集(中等)
-----------
之前说过回溯算法是笔试中最好用的算法,只要你没什么思路,就用回溯算法暴力求解,即便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,只要在递归之前「做选择」,在递归之后「撤销选择」就行了。
但是,就算暴力穷举,不同的思路也有优劣之分。
本文就来看一道非常经典的回溯算法问题,力扣第 698 题「划分为k个相等的子集」。这道题可以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:
给你输入一个数组 nums
和一个正整数 k
,请你判断 nums
是否能够被平分为元素和相同的 k
个子集。
函数签名如下:
boolean canPartitionKSubsets(int[] nums, int k);
我们之前 背包问题之子集划分 写过一次子集划分问题,不过那道题只需要我们把集合划分成两个相等的集合,可以转化成背包问题用动态规划技巧解决。
但是如果划分成多个相等的集合,解法一般只能通过暴力穷举,时间复杂度爆表,是练习回溯算法和递归思维的好机会。
一、思路分析
首先,我们回顾一下以前学过的排列组合知识:
1、
P(n, k)
(也有很多书写成 A(n, k)
)表示从 n
个不同元素中拿出 k
个元素的排列(Permutation/Arrangement);C(n, k)
表示从 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」的主要区别在于是否考虑顺序的差异。
3、排列、组合总数的计算公式:
文章图片
好,现在我问一个问题,这个排列公式
P(n, k)
是如何推导出来的?为了搞清楚这个问题,我需要讲一点组合数学的知识。排列组合问题的各种变体都可以抽象成「球盒模型」,
P(n, k)
就可以抽象成下面这个场景:文章图片
即,将
n
个标记了不同序号的球(标号为了体现顺序的差异),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)
种不同的方法。现在你来,往盒子里放球,你怎么放?其实有两种视角。
首先,你可以站在盒子的视角,每个盒子必然要选择一个球。
这样,第一个盒子可以选择
n
个球中的任意一个,然后你需要让剩下 k - 1
个盒子在 n - 1
个球中选择:文章图片
另外,你也可以站在球的视角,因为并不是每个球都会被装进盒子,所以球的视角分两种情况:
1、第一个球可以不装进任何一个盒子,这样的话你就需要将剩下
n - 1
个球放入 k
个盒子。2、第一个球可以装进
k
个盒子中的任意一个,这样的话你就需要将剩下 n - 1
个球放入 k - 1
个盒子。结合上述两种情况,可以得到:
【经典回溯算法(集合划分问题)】
文章图片
你看,两种视角得到两个不同的递归式,但这两个递归式解开的结果都是我们熟知的阶乘形式:
文章图片
至于如何解递归式,涉及数学的内容比较多,这里就不做深入探讨了,有兴趣的读者可以自行学习组合数学相关知识。
回到正题,这道算法题让我们求子集划分,子集问题和排列组合问题有所区别,但我们可以借鉴「球盒模型」的抽象,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
个和相同的集合,你可以想象将 n
个数字分配到 k
个「桶」里,最后这 k
个「桶」里的数字之和要相同。前文 回溯算法框架套路 说过,回溯算法的关键在哪里?
关键是要知道怎么「做选择」,这样才能利用递归函数进行穷举。
那么模仿排列公式的推导思路,将
n
个数字分配到 k
个桶里,我们也可以有两种视角:视角一,如果我们切换到这
n
个数字的视角,每个数字都要选择进入到 k
个桶中的某一个。文章图片
视角二,如果我们切换到这
k
个桶的视角,对于每个桶,都要遍历 nums
中的 n
个数字,然后选择是否将当前遍历到的数字装进自己这个桶里。文章图片
你可能问,这两种视角有什么不同?
用不同的视角进行穷举,虽然结果相同,但是解法代码的逻辑完全不同,进而算法的效率也会不同;对比不同的穷举视角,可以帮你更深刻地理解回溯算法,我们慢慢道来。
二、以数字的视角
用 for 循环迭代遍历
nums
数组大家肯定都会:for (int index = 0;
index < nums.length;
index++) {
System.out.println(nums[index]);
}
递归遍历数组你会不会?其实也很简单:
void traverse(int[] nums, int index) {
if (index == nums.length) {
return;
}
System.out.println(nums[index]);
traverse(nums, index + 1);
}
只要调用
traverse(nums, 0)
,和 for 循环的效果是完全一样的。那么回到这道题,以数字的视角,选择
k
个桶,用 for 循环写出来是下面这样:// k 个桶(集合),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] 选择是否要进入第 i 个桶
// ...
}
}
如果改成递归的形式,就是下面这段代码逻辑:
// k 个桶(集合),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++) {
// 选择装进第 i 个桶
bucket[i] += nums[index];
// 递归穷举下一个数字的选择
backtrack(nums, index + 1);
// 撤销选择
bucket[i] -= nums[index];
}
}
虽然上述代码仅仅是穷举逻辑,还不能解决我们的问题,但是只要略加完善即可:
// 主函数
boolean canPartitionKSubsets(int[] nums, int k) {
// 排除一些基本情况
if (k > nums.length) return false;
int sum = 0;
for (int v : nums) sum += v;
if (sum % k != 0) return false;
// k 个桶(集合),记录每个桶装的数字之和
int[] bucket = new int[k];
// 理论上每个桶(集合)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) {
// 检查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 成功平分成 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选择
if (backtrack(nums, index + 1, bucket, target)) {
return true;
}
// 撤销选择
bucket[i] -= nums[index];
}// nums[index] 装入哪个桶都不行
return false;
}
有之前的铺垫,相信这段代码是比较容易理解的。这个解法虽然能够通过,但是耗时比较多,其实我们可以再做一个优化。
主要看
backtrack
函数的递归部分: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;
}
}
如果我们让尽可能多的情况命中剪枝的那个 if 分支,就可以减少递归调用的次数,一定程度上减少时间复杂度。
如何尽可能多的命中这个 if 分支呢?要知道我们的
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。如果我们提前对
nums
数组排序,把大的数字排在前面,那么大的数字会先被分配到 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。所以可以在之前的代码中再添加一些代码:
boolean canPartitionKSubsets(int[] nums, int k) {
// 其他代码不变
// ...
/* 降序排序 nums 数组 */
Arrays.sort(nums);
for (i = 0, j = nums.length - 1;
i < j;
i++, j--) {
// 交换 nums[i] 和 nums[j]
int temp = nums[i];
nums[i] = nums[j];
nums[j] = temp;
}
/*******************/
return backtrack(nums, 0, bucket, target);
}
由于 Java 的语言特性,这段代码通过先升序排序再反转,达到降序排列的目的。
三、以桶的视角
文章开头说了,以桶的视角进行穷举,每个桶需要遍历
nums
中的所有数字,决定是否把当前数字装进桶中;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。这个思路可以用下面这段代码表示出来:
// 装满所有桶为止
while (k > 0) {
// 记录当前桶中的数字之和
int bucket = 0;
for (int i = 0;
i < nums.length;
i++) {
// 决定是否将 nums[i] 放入当前桶中
bucket += nums[i] or 0;
if (bucket == target) {
// 装满了一个桶,装下一个桶
k--;
break;
}
}
}
那么我们也可以把这个 while 循环改写成递归函数,不过比刚才略微复杂一些,首先写一个
backtrack
递归函数出来: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。如果你能够透彻理解本文,也能得心应手地写出这样的回溯函数。
这个
backtrack
函数的参数可以这样解释:现在
k
号桶正在思考是否应该把 nums[start]
这个元素装进来;目前 k
号桶里面已经装的数字之和为 bucket
;used
标志某一个元素是否已经被装到桶中;target
是每个桶需要达成的目标和。根据这个函数定义,可以这样调用
backtrack
函数:boolean canPartitionKSubsets(int[] nums, int k) {
// 排除一些基本情况
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] 开始做选择
return backtrack(k, 0, nums, 0, used, target);
}
实现
backtrack
函数的逻辑之前,再重复一遍,从桶的视角:1、需要遍历
nums
中所有数字,决定哪些数字需要装到当前桶中。2、如果当前桶装满了(桶内数字和达到
target
),则让下一个桶开始执行第 1 步。下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 一定全部用完了
// 因为 target == sum / k
return true;
}
if (bucket == target) {
// 装满了当前桶,递归穷举下一个桶的选择
// 让下一个桶从 nums[0] 开始选数字
return backtrack(k - 1, 0 ,nums, 0, used, target);
}// 从 start 开始向后探查有效的 nums[i] 装入当前桶
for (int i = start;
i < nums.length;
i++) {
// 剪枝
if (used[i]) {
// nums[i] 已经被装入别的桶中
continue;
}
if (nums[i] + bucket > target) {
// 当前桶装不下 nums[i]
continue;
}
// 做选择,将 nums[i] 装入当前桶中
used[i] = true;
bucket += nums[i];
// 递归穷举下一个数字是否装入当前桶
if (backtrack(k, bucket, nums, i + 1, used, target)) {
return true;
}
// 撤销选择
used[i] = false;
bucket -= nums[i];
}
// 穷举了所有数字,都无法装满当前桶
return false;
}
这段代码是可以得出正确答案的,但是效率很低,我们可以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可以认为是没有差异的,但是我们的回溯算法却会对它们区别对待,这里就会出现重复计算的情况。
什么意思呢?我们的回溯算法,说到底就是穷举所有可能的组合,然后看是否能找出和为
target
的 k
个桶(子集)。那么,比如下面这种情况,
target = 5
,算法会在第一个桶里面装 1, 4
:文章图片
现在第一个桶装满了,就开始装第二个桶,算法会装入
2, 3
:文章图片
然后以此类推,对后面的元素进行穷举,凑出若干个和为 5 的桶(子集)。
但问题是,如果最后发现无法凑出和为
target
的 k
个子集,算法会怎么做?回溯算法会回溯到第一个桶,重新开始穷举,现在它知道第一个桶里装
1, 4
是不可行的,它会尝试把 2, 3
装到第一个桶里:文章图片
现在第一个桶装满了,就开始装第二个桶,算法会装入
1, 4
:文章图片
好,到这里你应该看出来问题了,这种情况其实和之前的那种情况是一样的。也就是说,到这里你其实已经知道不需要再穷举了,必然凑不出来和为
target
的 k
个子集。但我们的算法还是会傻乎乎地继续穷举,因为在她看来,第一个桶和第二个桶里面装的元素不一样,那这就是两种不一样的情况呀。
那么我们怎么让算法的智商提高,识别出这种情况,避免冗余计算呢?
你注意这两种情况的
used
数组肯定长得一样,所以 used
数组可以认为是回溯过程中的「状态」。所以,我们可以用一个
memo
备忘录,在装满一个桶时记录当前 used
的状态,如果当前 used
的状态是曾经出现过的,那就不用再继续穷举,从而起到剪枝避免冗余计算的作用。有读者肯定会问,
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,比如我们可以把数组转化成字符串,这样就可以作为哈希表的键进行存储了。看下代码实现,只要稍微改一下
backtrack
函数即可:// 备忘录,存储 used 数组的状态
HashMap 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) {
// 装满了当前桶,递归穷举下一个桶的选择
boolean res = backtrack(k - 1, 0, nums, 0, used, target);
// 将当前状态和结果存入备忘录
memo.put(state, res);
return res;
}if (memo.containsKey(state)) {
// 如果当前状态曾今计算过,就直接返回,不要再递归穷举了
return memo.get(state);
}// 其他逻辑不变...
}
这样提交解法,发现执行效率依然比较低,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消耗,所以我们还可以进一步优化。注意题目给的数据规模
nums.length <= 16
,也就是说 used
数组最多也不会超过 16,那么我们完全可以用「位图」的技巧,用一个 int 类型的 used
变量来替代 used
数组。具体来说,我们可以用整数
used
的第 i
位((used >> i) & 1
)的 1/0 来表示 used[i]
的 true/false。这样一来,不仅节约了空间,而且整数
used
也可以直接作为键存入 HashMap,省去数组转字符串的消耗。看下最终的解法代码:
public boolean canPartitionKSubsets(int[] nums, int k) {
// 排除一些基本情况
if (k > nums.length) return false;
int sum = 0;
for (int v : nums) sum += v;
if (sum % k != 0) return false;
int used = 0;
// 使用位图技巧
int target = sum / k;
// k 号桶初始什么都没装,从 nums[0] 开始做选择
return backtrack(k, 0, nums, 0, used, target);
}HashMap 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 一定全部用完了
return true;
}
if (bucket == target) {
// 装满了当前桶,递归穷举下一个桶的选择
// 让下一个桶从 nums[0] 开始选数字
boolean res = backtrack(k - 1, 0, nums, 0, used, target);
// 缓存结果
memo.put(used, res);
return res;
}if (memo.containsKey(used)) {
// 避免冗余计算
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] 已经被装入别的桶中
continue;
}
if (nums[i] + bucket > target) {
continue;
}
// 做选择
used |= 1 << i;
// 将第 i 位置为 1
bucket += nums[i];
// 递归穷举下一个数字是否装入当前桶
if (backtrack(k, bucket, nums, i + 1, used, target)) {
return true;
}
// 撤销选择
used ^= 1 << i;
// 使用异或运算将第 i 位恢复 0
bucket -= nums[i];
}return false;
}
至此,这道题的第二种思路也完成了。
四、最后总结
本文写的这两种思路都可以算出正确答案,不过第一种解法即便经过了排序优化,也明显比第二种解法慢很多,这是为什么呢?
我们来分析一下这两个算法的时间复杂度,假设
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,所以组合出的结果个数为 k^n
,时间复杂度也就是 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」两种选择,所以组合的结果有 2^n
种;而我们有 k
个桶,所以总的时间复杂度为 O(k*2^n)
。当然,这是对最坏复杂度上界的粗略估算,实际的复杂度肯定要好很多,毕竟我们添加了这么多剪枝逻辑。不过,从复杂度的上界已经可以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?虽然回溯算法就是暴力穷举,但穷举也分聪明的穷举方式和低效的穷举方式,关键看你以谁的「视角」进行穷举。
通俗来说,我们应该尽量「少量多次」,就是说宁可多做几次选择,也不要给太大的选择空间;宁可「二选一」选
k
次,也不要 「k
选一」选一次。好了,这道题我们从两种视角进行穷举,虽然代码量看起来多,但核心逻辑都是类似的,相信你通过本文能够更深刻地理解回溯算法。
_____________
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 已经获得 100k star,欢迎点赞!
推荐阅读
- 归并排序详解及应用
- Java面试|68道Redis面试题,20000字宝藏,赶紧收藏起来备用,2022年最新版
- Java基础总结|Java期末复习速成(四)
- java|InnerClass - 内部类 - java - 细节狂魔
- #|美团外卖——物流论文小笔记(Python实现)
- #|多目标优化NSGA-II(非支配排序常见于遗传算法)(C语言实现)
- 程序员|这款开源测试神器,圆了我玩游戏不用动手的梦想
- 前端|团队作业第二次—项目选题报告(追光的人)
- 前端|团队作业第二次—项目选题(追光的人)