0-1 Zaino
Guida dettagliata e implementazione Python per il problema '0-1 Zaino'.
1. Impara
Il problema dello "Zaino 0-1" è una sfida chiave nella sezione Programmazione Dinamica.
Questa implementazione si concentra sulla logica di livello semplice in Python.
Diamo priorità all'accuratezza tecnica e alla leggibilità del codice nelle soluzioni fornite.
2. Real-World Applications
3. Visual Intuition
Visualizzazione del flusso logico per 0-1 Zaino.
4. Prerequisites
5. Step-by-Step Thinking
1. Understand the problem
Leggi attentamente la dichiarazione del problema per 0-1 Knapsack.
2. Formulate brute force
Elaborare una semplice soluzione iterativa.
3. Identify inefficiency
Cerca calcoli ridondanti.
4. Optimize search path
Utilizza l'hashing o l'ordinamento per accelerare il processo.
5. Final Implementation
Ripulire il codice per gli standard di produzione.
Dichiarazione del problema
Scrivi una funzione knapsack(W, wt, val, n) che trovi il valore massimo che può essere messo in uno zaino di capacità W utilizzando oggetti con pesi wt e valori val. Non è possibile dividere gli elementi; o prendi un oggetto o lo lasci.
- •1 <= n <= 100
- •1 <= W <= 1000
- •1 <= wt[i], val[i] <= 1000
Esempi
knapsack(50, [10, 20, 30], [60, 100, 120], 3)
220
By taking items with weight 20 and 30, the total weight is 50, and the value is 100 + 120 = 220.
knapsack(10, [5, 4, 6, 3], [10, 40, 30, 50], 4)
90
By taking items of weight 4 and 3, the total weight is 7, and the value is 40 + 50 = 90.
Need a Hint?
Edge Cases to Watch
- Strutture di input vuote
- Ingressi a elemento singolo
- Grandi limiti numerici
Pronto a risolvere?
Open the problem in PyRun's browser-based Python editor. Your code runs fully offline — no server required.
Approfondimenti e variazioni dell'intervista
Scomposizione dell'analisi della complessità
Perché il tempo: Directly evaluates all possibilities.
Perché lo spazio: Uses standard local memory.
Perché il tempo: Optimized paths reduce total operations.
Perché lo spazio: May trade memory for speed.
Codice Python della soluzione ottimizzata
Codice Python della soluzione ottimizzata
def knapsack_opt(W, wt, val, n):
dp = [0] * (W + 1)
for i in range(n):
for w in range(W, wt[i] - 1, -1):
dp[w] = max(dp[w], val[i] + dp[w - wt[i]])
return dp[W]Codice forza bruta (protetto da spoiler)
Codice forza bruta (protetto da spoiler)
def knapsack_brute(W, wt, val, n):
if n == 0 or W == 0: return 0
if wt[n-1] > W: return knapsack_brute(W, wt, val, n - 1)
return max(val[n-1] + knapsack_brute(W - wt[n-1], wt, val, n - 1), knapsack_brute(W, wt, val, n - 1))Algorithm Pattern Checklist
When dealing with Dynamic Programming data patterns.
- Are constraints clear?
- Is there a linear or logarithmic optimization possible?
Key Revision Notes
Si applicano le proprietà del problema di programmazione dinamica standard.
Domande correlate
PyRun is built and maintained by an independent solo developer. If this helped your interview prep, consider buying a coffee!
Risorse Python consigliate
Espandi le tue conoscenze con tutorial interattivi, foglietti illustrativi e confronti di codici correlati.
Cicli Python
Scopri come utilizzare i loop Python per eseguire iterazioni sui dati. Padroneggia le best practice sui cicli for, while, interruzione, continua e loop con esempi interattivi.
Come ordinare un elenco in Python
Scopri come ordinare un elenco in Python utilizzando il metodo sort() e la funzione sorted(). Scopri l'ordinamento delle chiavi personalizzato e gli esempi di ordine inverso.
Foglio informativo sui metodi delle stringhe Python
Una guida di riferimento completa per la manipolazione delle stringhe Python. Padroneggia la formattazione, la ricerca, la divisione, la sostituzione e il controllo delle proprietà delle stringhe.
Python vs JavaScript: quale linguaggio di programmazione è il migliore?
Un confronto completo tra Python e JavaScript. Esplora le differenze di sintassi, le prestazioni, i casi d'uso (backend e frontend) ed esempi di codifica.