称砝码问题

### 动态规划解决称砝码问题 #### 问题分析 该问题的核心在于计算通过给定的不同重量的砝码及其对应数量，能够组成多少种不同的总重量。这是一个典型的 **背包问题变体**，可以通过动态规划 (Dynamic Programming, DP) 来高效求解。 在本问题中，我们需要考虑以下几点： 1. 每种砝码有固定的重量 `mi` 和数量 `xi`。 2. 我们的目标是从这些砝码中选取若干个，使得它们的总重量尽可能覆盖更多的可能性。 3. 使用动态规划的思想来记录并扩展可达到的重量集合。 --- #### 解题思路 动态规划的关键是定义状态转移方程以及初始化条件： 1. 定义一个布尔数组 `dp[w]` 表示是否可以构成重量 `w`。 - 初始状态下，只有 `dp[0] = true`，因为没有任何砝码的情况下，唯一能组成的重量就是零。 2. 遍历每一种砝码 `(mi, xi)`，将其加入当前已知的状态集合中。 - 对于每种砝码，尝试将它加到之前已经可达的所有重量上，最多加上它的最大可用次数 `xi`。 3. 更新后的 `dp[]` 数组会表示所有可能达成的重量组合。 最终的结果即为 `dp[]` 中标记为 `true` 的索引数目减一（去掉初始的零重量情况）。 --- #### 算法实现 以下是基于上述思路的具体代码实现： ```python def count_weights(n, weights, counts): max_weight = sum(w * c for w, c in zip(weights, counts)) # 计算理论上最大的可能重量 dp = [False] * (max_weight + 1) # 初始化 dp 数组，默认不可达任何重量 dp[0] = True # 起始状态：重量为 0 是可达的 for i in range(n): # 遍历每种砝码 mi = weights[i] xi = counts[i] temp_dp = dp[:] # 创建临时副本用于更新 for j in range(mi, max_weight + 1): # 尝试增加当前砝码至已有重量 if dp[j - mi]: k = 1 while k <= xi and j + k * mi <= max_weight: temp_dp[j + k * mi] = True k += 1 dp = temp_dp # 更新全局 dp 数组 result = sum(dp) - 1 # 统计除零外的有效重量种类数 return result # 输入样例 if __name__ == "__main__": n = int(input()) # 砝码种类数 weights = list(map(int, input().split())) # 各类砝码的重量 counts = list(map(int, input().split())) # 各类砝码的数量 print(count_weights(n, weights, counts)) ``` --- #### 复杂度分析 - 时间复杂度： 假设共有 `n` 种砝码，理论上的最大重量为 `W`，则时间复杂度大约为 \(O(n \cdot W)\)[^1]。 - 空间复杂度： 主要由 `dp` 数组决定，空间复杂度为 \(O(W)\)[^2]。 这种算法适合处理中小规模的数据集，在题目限定范围内表现良好。 --- #### 注意事项 1. 如果某些情况下存在重复权重的可能性，则需要额外验证是否存在冗余项[^3]。 2. 当输入数据较大时，应优化内存占用或者采用其他更高效的策略[^4]。 --- ###