Subset Sum，子集和问题

给定一个数据集和一个目标值，问是否存在一个这个数据集的子集，满足此子集中的所有元素的和等于目标值。为了让生活简单一点，我们限定数据集和目标值都是正整数。如果允许负数或零，subset sum问题的求解会更加复杂。

def subset_sum(lst, target):
    if not lst or target<0:
        return False
    if target == 0:
        return True
    a = subset_sum(lst[1:], target-lst[0])
    return a or subset_sum(lst[1:], target)


print(subset_sum([1,2,3,4,5], 6))  # True
print(subset_sum([1,2,3,4,5], 99)) # False

用递归遍历所有可能的组合，这个遍历手法，与回溯很相似。每个元素都有两个状态，在子集内或不在子集内。复杂度为：

下面换一种写法，不需要在每次递归的时候创建新的list，这更像回溯了：

class subset_sum:

    def prep(self, lst):
        self.lst = lst
        self.length = len(lst)

    def _sum(self, idx, target):
        if idx==self.length or target<0:
            return False
        if target == 0:
            return True
        a = self._sum(idx+1, target-self.lst[idx])
        return a or self._sum(idx+1, target)

    def sum(self, target):
        return self._sum(0, target)


a = [1,2,3,4,5,6]
ssp = subset_sum()
ssp.prep(a)
print(ssp.sum(6))
ssp.prep(a)
print(ssp.sum(99))

Dynamic Programming

Top-Down

class subset_sum:

    def prep(self, lst):
        self.lst = lst
        self.length = len(lst)
        self.rec = {}

    def _sum(self, idx, target):
        if (idx,target) in self.rec:
            return self.rec[(idx,target)]
        if target == 0:
            return True
        if idx==self.length or target<0:
            return False
        a = self._sum(idx+1, target-self.lst[idx])
        if a:
            self.rec[idx,target] = True
            return True
        b = self._sum(idx+1, target)
        self.rec[idx,target] = b
        return b

    def sum(self, target):
        return self._sum(0, target)


a = [1,2,3,4,5,6,7,8,9]
ssp = subset_sum()
ssp.prep(a)
print(ssp.sum(16))
ssp.prep(a)
print(ssp.sum(99))

子问题的数量，不仅仅由n决定，数据集中元素的值，以及target的值，都与子问题的数量有关系。这里是subset sum问题有点特殊的地方！如果\(sum=2^n\)呢！...

对于判定性问题，deterministic problem，有一些技巧可以节省内存开销（当然，具体实现时不一定会使用内存，可能后面是一整个数据库呢）：

class subset_sum:

    def prep(self, lst):
        self.lst = lst
        self.length = len(lst)
        self.rec = set()

    def _sum(self, idx, target):
        if (idx,target) in self.rec:
            return True
        if target == 0:
            return True
        if idx==self.length or target<0:
            return False
        a = self._sum(idx+1, target-self.lst[idx])
        if a:
            self.rec.add((idx,target))
            return True
        b = self._sum(idx+1, target)
        if b:
            self.rec.add((idx,target))
        return b

    def sum(self, target):
        return self._sum(0, target)

Bottom-Up

写出[1,2,3]的所有组合：
[[]], 初始状态
[[],[1]]，加入1
[[],[1],[2],[1,2]]，加入2
[[],[1],[2],[1,2],[3],[1,3],[2,3],[1,2,3]]，加入3
每增加一个元素，组合数翻倍！

def subset_sum_bu(lst, target):
    ss = [0]
    for it in lst:
        t = []
        for s in ss:
            t.append(s+it)
        ss += t
        if target in ss:
            return True
    return False


a = [1,2,3,4]
print(subset_sum_bu(a, 8))
a = [1,2,3,4]
print(subset_sum_bu(a, 119))

时间和空间复杂度，都是\(O(2^n)\)。尽然用非递归的方式，实现了指数级的增长！当然还可以优化这个思路，比如大于target的值就不要加入ss....不过，这不是DP的Bottom-Up算法，它还是暴力的，做了太多加法...

def subset_sum_bu(lst, target):
    rec = [[True]+[False]*target for _ in range(len(lst))]

    if lst[0] == target:
        return True
    if lst[0] < target:
        rec[0][lst[0]] = True

    for i,v in enumerate(lst[1:],1):
        for s in range(1,target+1):
            if v > s:
                rec[i][s] = rec[i-1][s]
            else:
                rec[i][s] = rec[i-1][s] or rec[i-1][s-v]

    return rec[len(lst)-1][target]


a = [1,2,3,4]
print(subset_sum_bu(a, 8))
a = [1,2,3,4]
print(subset_sum_bu(a, 88))
a = [1,2,3,4,5,6,7,8,9]
print(subset_sum_bu(a, 34))

很多时候Bottom-Up都有一个优化内存的思路，在一层层往上计算过程中，并不需要保存那些已经没用的子问题的结果。

def subset_sum_bu(lst, target):
    rec = [False] * (target+1)
    rec[0] = True

    if lst[0] == target:
        return True
    if lst[0] < target:
        rec[lst[0]] = True

    nrec = rec[:]
    for i,v in enumerate(lst[1:],1):
        for s in range(1,target+1):
            if v > s:
                nrec[s] = rec[s]
            else:
                nrec[s] = rec[s] or rec[s-v]
        rec = nrec[:]

    return rec[target]

如果可以有负数和0

class subset_sum_all:

    def _sum(self, idx, curr):
        if curr == self.target:
            return True
        if idx == self.length:
            return False
        a = self._sum(idx+1, curr+self.lst[idx])
        return a or self._sum(idx+1, curr)

    def sum(self, lst, target):
        self.lst = lst
        self.length = len(lst)
        self.target = target
        for i,it in enumerate(lst):
            if self._sum(i+1, lst[i]):
                return True
        return False


a = [1,2,3,4]
ssp = subset_sum_all()
print(ssp.sum(a, 8))
a = [1,2,3,4]
ssp = subset_sum_all()
print(ssp.sum(a, 0))
a = [-1,2,-3,4]
ssp = subset_sum_all()
print(ssp.sum(a, -2))
a = [-1,2,-3,4]
ssp = subset_sum_all()
print(ssp.sum(a, 0))

这个才是真宗的\(O(2^n)\)！和不再是递增的，和是一种unbounded的状态....限制为正整数简化了问题，也能够应用一些技巧进行剪枝。

Subset Sum，子集和问题

问题分析

递归

Dynamic Programming

Top-Down

Bottom-Up

如果可以有负数和0