POJ charm bracelet 背包问题的理解

Description

Bessie has gone to the mall's jewelry store and spies a charm bracelet. Of course, she'd like to fill it with the best charms possible from theN (1 ≤ N ≤ 3,402) available charms. Each charm i in the supplied list has a weightW_i (1 ≤ W_i ≤ 400), a 'desirability' factorD_i (1 ≤ D_i ≤ 100), and can be used at most once. Bessie can only support a charm bracelet whose weight is no more thanM (1 ≤ M ≤ 12,880).

Given that weight limit as a constraint and a list of the charms with their weights and desirability rating, deduce the maximum possible sum of ratings.

Input

* Line 1: Two space-separated integers: N and M
* Lines 2..N+1: Line i+1 describes charm i with two space-separated integers:W_i and D_i

Output

* Line 1: A single integer that is the greatest sum of charm desirabilities that can be achieved given the weight constraints

Sample Input

4 6
1 4
2 6
3 12
2 7

Sample Output

23

这道题的POJ测试网址：http://bailian.openjudge.cn/practice/4131/

如果不能提交就注册账号并且加入小组即可

先贴代码为敬：

CODE

#include<iostream>
#include<algorithm>
#define MAX 3403
int w[MAX], d[MAX], c[12888];
int main(){
	int n, m;
	while (std::cin >> n >> m){
		for (int i = 0; i < n; i++){
			std::cin >> w[i] >> d[i];
		}
		for (int i = 0; i <= m; ++i){c[i] = 0;}
		for (int i = 1; i <= n; ++i){
			for (int j = m; j >= 0; --j){
				if (j - w[i - 1] < 0){continue;	}
				c[j] = std::max(c[j],(c[j - w[i - 1]] + d[i - 1]));
			}
		}
		std::cout << c[m] << std::endl;
	}
	return 0;
}

这道题是经典的动态规划中的背包问题，可以百度背包九讲，dd大神有非常精彩的讲解。我的总结是参考那篇文章后自己做的一个更精简的总结，希望对大家理解有所帮助

状态转移方程：

wi代表i物品的消耗，vi代表其价值

m(i, j) 代表使用了前i件物品，在背包上限为j的情况下，取到的最大总价值

问题归纳：

一共有n件物品，每件物品的费用为c[i], 价值为w[i],

F[i][v]代表使用前i个物品放入费用上限v的背包，得到的最大价值

循环体：

For I = 1:n
For v = M..0 或者 0..M
F[i][v] = max(F[i – 1][v], F[i – 1][v –c[i]] + w[i]), --------转移方程

时间复杂度为n*M,不可以优化空间复杂度为n*M,可以优化为M：

利用F[v]代替F[i][v]，因为转移方程中：F[i][v]完全依赖于F[I – 1][v],按照i = 1...n的顺序，计算出i-1下所有的F[i - 1][v]，再计算F[i][v]

 

CASE 1:如果每个物品只能取一次

For I = 1..n
For v = M..0 ---------计算f[x]时保证f[v)(v<x)的结果与c[i],w[i]无关。也就保证F（i）计算结果来源与F(I –1)
F[v] = max(F[v], F[v – c[i]] + w[i])

时间复杂度为O(n*M),空间复杂度优化为O(M)

 

CASE2:如果每个物品可以取无限次

For I = 1..n
For v = 0..M ---------计算f[x]时保证f[v)(v<x)的结果已经和c[i],w[i]有关。想象到有一个w[i]/c[i]最大即性价比最高的物品，重复被使用。
F[v] = max(F[v], F[v – c[i]] + w[i])

时间复杂度为O(n*M),空间复杂度为O(M)

 

CASE3: 如果每个物品最多只能取x次

思路一

1. 首先确定i物品的使用次数上限，n[i]= min(x, M/c[i])。物品i能被使用的上限肯定不能超过x次也不能使得n[i]*c[i]超出背包上限M。

2.case1中

For I = 1..n
For v = M..0 ---------计算f[x]时保证f[v)(v<x)的结果与c[i],w[i]无关。也就保证F（i）计算结果来源与F(I – 1)
F[v] = max(F[v], F[v – c[i]] + w[i]) 

如果c[i]和w[i]可变，那么我们在I 和 v 固定的情况下，循环测试(k*c[i], k*w[i]), k = 0到n[i]，即把case1中

F[v] = max(F[v], F[v – c[i]] + w[i]) 
换为
For k = 0…n[i]
F[v] = max(F[v – k*c[i]] + k*w[i]) 

时间复杂度V(M*Σn[i])，空间复杂度O(M)

 

思路二：

1.先确定使用次数上限n[i] =min(x, M/c[i])。

2. 然后n[i]拆分成一个不重复的数组,例如n[i] = 13,1 2 4 6，前面为2的等比数列，最后一个数使得数组总和为n[i],

这是为了利用选中数组的任意几个，用尽量短的数组来构成0到n[i]。这样将物品(c[i], w[i])变为4个物品，(c[i], w[i]), (2[ci], 2w[i]), (4c[i], 4w[i]), (6c[i], 

6w[i]), 这样可以用一个4位2进制代表拆分后的物品是否被选择，可以用于表示到底选中了多少个c[i]，例如(0, 0, 0, 1)代表选择了最后一个，用了6个

n[i], （1，0，1，0）代表选了5个n[i]。 

3. 这样i物品拆分成a[i]个物品，a[i] = log2(n[i])+ 1 

4. 把1-n到物品，转变为Σa[i]个物品，然后对这Σa[i]的物品做case1的算法

 

复杂度计算: 把case1的n换成Σa[i]，是O(Σlog(n[i]))

时间复杂度优于思路一，为O(M*Σlog(n[i])),空间复杂度为O(M)

 

CASE 4 组合问题

1. N个物品有的只能选一次，有的无限次，有的有限次，那么组合问题的解法就是先按照case3的思路2，把有x次选择上限的物品i扩展成a[i]个新物品，这些新物品也只能最多选一次

2. 遇到物品只能选一次的,case1算法第二层循环v应按M…0循环

3. 物品可以选无限次的,第二层循环v应按0…M

4. 这样任何组合背包问题都可以归为CASE1和CASE2的结合体解决

 

CASE 5 依赖问题(比较难）

题设：F[i][v]代表使用前i个物品放入费用上限M的背包，得到的最大价值

N为物件总数，每个物品可以使用有限次。

新约束条件是：选择了i物品，j物品必须选择，我们称i依赖于j。而j物品可以单独选择

 

思路：

1. 先确定主件和附件的概念：我们说j 为附件，i 为主件，选择了i则肯定有选择j，但是j可以选择任意。因此选项有:

选择一件主件+一件附件，选择一件主件后选择2个附件，一个主件+3个附件，这里控制变量，主件只选一个。

不选主件+不选附件，不选主件+一个附件， 不选主件+2个附件

所以我们可以把选择x1个主件，x2个附件的所有情况算出来，把最后cost相同，保留weight综合最大。这样就形成了一个物品组

  这样做的前提是没有连续的依赖，比如i<-j<-k，一个附件不会同时依赖两个主件。

  得到一个关于主附件的物品组，利用CASE4的思路一解决。

 

2. 关键在于最快求得物品组：

  最简单莫过于选了x1个主件i，附件j则为x2 = x1 .. MAX,  其中MAX = min(n[j], (M– x1*c[i])/c[j]). 把所有的结果都遍历一次就可以求得物品组

  更好的办法是: 主件i上限为n1, 附件j上限为n2, 把n1 和 n2都展开成序列。

假设有n1：13， n2 :8, 展开为 1 2 46  1 2 4 1. 把n1确定为1，构成4个(n1, n2):（1，1），（1，2），（1，4）(1,1)，用做一个01背包问题，快速 求得至少有一个主件的情况下，求得v = 1…M的F’[v]。

  在上诉结果中，再计算没有一个主件，全为附件的情况，看是否比原来的F’[v]更大，更新计算出的F’[v]。计算注意主件的使用上限。

  至此计算出主件和附件组成的物品组，利用CASE4的思路二解决。

动态规划问题的解法总结

1. 把原问题分解为若干个子问题，子问题和原问题形式相同或类似，只不过规模变小了。

子问题的解一旦求出就会被保存，所以每个子问题只需求解一次。

 

2. 将答案的解，通过某个状态值表示，比如这道题目，状态就是（使用前i个物品，背包费用上限），值：当前背包上限下能取得最大的价值

3. 递归地（动态规划）把求优大问题分解为子问题中取最优

4. 计算出初始值，按照一定的顺序遍历所有的状态，制作记忆体存储已经得到状态值，避免重复计算

5. 大问题转为小问题时的状态转移函数，可以有多种递推方式，人人为我（从问题末端除法，大问题为子问题去优，进而计算子问题），我为人人（从基础子问题除法，递推计算大问题）

 

能用动规解决的问题的特点：

1) 问题具有最优子结构性质。如果问题的最优解所包含的子问题的解也是最优的，我们就称该问题具有最优子结构性质。

2)无后效性。当前的若干个状态值一旦确定，则此后过程的演变就只和这若干个状态的值有关，和之前是采取哪种手段或经过哪条路径演变到当前的这若干个状态，没有关系。

  如果当前的（状态---解）的选择不具备无后效性，则可以考虑增加状态的维度，如一个状态值变为2个状态值，来使得局部子问题最优解具有无后效性。

有所帮助：