leetcode 416 分割等和子集-可以看成背包问题

博客介绍了如何利用动态规划解决LeetCode 416题,即判断一个包含正整数的数组能否分割成两个和相等的子集。文章先排除了一些特殊情况,如数组长度、元素和的奇偶性,然后定义了动态规划的状态,并给出了状态转移方程。通过分析,博主展示了如何通过选择或不选择当前元素来更新状态,最终实现解题的Java代码。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

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。

注意:

每个数组中的元素不会超过 100
数组的大小不会超过 200
示例 1:

输入: [1, 5, 11, 5]

输出: true

解释: 数组可以分割成 [1, 5, 5] 和 [11].

示例 2:

输入: [1, 2, 3, 5]

输出: false

解释: 数组不能分割成两个元素和相等的子集.

分析:对于该题可以看出是背包问题,即相等于判断能够从数组中选出若干个元素使其和等于sum/2,在使用之前需要对各种明显不符合的情况进行判断,首先长度为1或者0直接false,如果数组元素的和为奇数也返回false,因为数组元素全部为正整数,如果target = sum/2 等于小数,是无法凑出来的。同时我们还需要记录最大元素max,如果最大元素大于target,也是false,因为剩下的无法凑出另一半。

动态规划很重要的一个步骤是确定状态,这里我们创建一个new boolean dp[n][target+1],对于每个dp[i][j]表示从数组下标0-i-1个元素中选出若干个能否凑出其和为target。
状态转移方程为分为两种情况
1.若nums[i] > j,那么肯定不能选择nums[i],如果选了就大于j,无法凑出
此时判断从数组下标0…i-1能否凑出来,dp[i][j] = dp[i-1][j]
2.若nums[i] <= j,此时分为选下标为i的元素和不选下标为i的元素,如果有一种情况能凑出来,dp[i][j]就是true的

代码如下

class Solution {
    public boolean canPartition(int[] nums) {

        int n = nums.length;
        if(n < 2){
            return false;
        }

        int sum = 0;
        int maxVal = nums[0];
        int target = 0; //从数组中选出若干个元素 使其和等于target
        for(int i = 0;i < n;i++){
            sum += nums[i];
            if(nums[i] > maxVal){
                maxVal = nums[i];
            }
        }
        //如果sum = 奇数,那么无法从一个数组中选出若个元素使其等于sum的一半
        //因为数组中全部都是正整数
        if(sum%2 == 1){
            return false;
        }

         target = sum / 2;

         boolean [][] dp = new boolean[n][target + 1];
         //默认初始化全部为0
        //这里表示状态,动态规划很重要的一步就是如何表示状态
        //这里的dp[3][target]表示从下标为0-3个元素中能不能找到若干个元素凑到和的值为target

         if(maxVal > target){

             //一个最大的元素大于总和的一半,说明剩下的值的和不可能凑到target,返回false
             return false;
         }

         //到这里,填充dp数组之前的判断全部做完,依次填充dp数组
         
         //base case 当target为0时,就是对所有的元素都不选,即可,因此为true
         //对于dp[0][nums[0]]也是true的,因为只选第一个元素,能够凑到nums[0],和0,再上一步已经初始化,其他得全部无法得到
        for(int i = 0;i < n;i++){
            dp[i][0] = true;
        }
        //
        dp[0][nums[0]] = true;

        //对于状态转移方程,我们可以考虑两种情况

        // dp[i][j] 情况1 如果nums[i] > j
        //那么 

        //接下载从底向上更新dp
        for(int i = 1; i < n;i++){
            for(int j = 1;j < target + 1;j++){
                if(nums[i] > j){
                    if(dp[i-1][j]){
                        dp[i][j] = true;
                    }
                }else if(nums[i] <= j){
                    if(dp[i-1][j] || dp[i-1][j-nums[i]]){
                        dp[i][j] = true;
                    }
                }
            }
        }

        //到这里 dp[n-1][target] 就是答案
        return dp[n-1][target];

    }
}
### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值