第五章 动态规划（一）

一、背包问题

有$n$件物品和一个容量为$m$的背包。物品$i$的体积是$v_i$，价值是$w_i$。求解将哪些物品装入背包可使价值总和最大

1.01背包问题

01背包问题特点：每种物品仅有一件

状态表示：定义$f(i,j)$表示只从前$i$个物品中选择，总体积不超过$j$的最大价值，最终答案为$f(n,m)$

状态转移：$f(i,j)$可以分为不选物品$i$和选物品$i$两种情况

状态转移方程:
$$f(i,j)=max(f(i-1,j),f(i-1,j-v_i)+w_i)$$

int f[N][N];
for(int i=1;i<=n;i++){
	for(int j=1;j<=m;j++){
		f[i][j]=f[i-1][j];
		if(j>=v[i]) f[i][j]=max(f[i][j],f[i-1][j-v[i]]+w[i]);
	}
}

优化：从二维变成一维

int f[N];
//j从大到小遍历，保证f[j]在f[j-v[i]]改变前改变，从而使当前的f[j-v[i]]表示i-1时的状态
for(int i=1;i<=n;i++)
	for(int j=m;j>=v[i];j++)
		f[j]=max(f[j],f[j-v[i]]+w[i]);

2.完全背包问题

完全背包问题特点：每种物品有无数件

思路：类比01背包

状态表示：定义$f(i,j)$表示只从前$i$个物品中选择，总体积不超过$j$的最大价值

状态转移：$f(i,j)$可以分为不选物品$i$和选$1$ ~ $\lfloor \frac{j}{v_i}\rfloor$个物品$i$两种情况

等价变形：$f(i,j)$可以分为选$0$ ~ $\lfloor \frac{j}{v_i}\rfloor$个物品$i$的情况

状态转移方程:
$$f(i,j)=max(f(i,j),f(i-1,j-k{v}_i)+k{w}_i)(k\in [0,\lfloor \frac{j}{v_i}\rfloor ],k\in Z)$$

int f[N][N];
for(int i=1;i<=n;i++)
	for(int j=0;j<=m;j++)
		for(int k=0;k*v[i]<=j;k++)
			f[i][j]=max(f[i][j],f[i-1][j-k*v[i]]+k*w[i]);

优化：对于$f(i,j)$和$f(i,j-v_i)$而言：

$f(i,j)=max(f(i-1,j),f(i-1,j-v_i)+w_i,f(i-1,j-2v_i)+2w_i,\cdots )$

$f(i,j-v_i)=max(f(i-1,j-v_i),f(i-1,j-2v_i)+w_i,f(i-1,j-3v_i)+2w_i,\cdots )$

我们惊奇的发现：$f(i,j-v_i)$的表达式与$f(i,j)$的表达式除第一项以外只差$w_i$

于是将状态转移方程改写为：
$$f(i,j)=max(f(i-1,j),f(i,j-v_i)+w_i)$$

int f[N][N];
for(int i=1;i<=n;i++)
	for(int j=0;j<=m;j++){
		f[i][j]=f[i-1][j];
		if(j>=w[i]) f[i][j]=max(f[i][j],f[i][j-v[i]]+w[i]);
	}

再优化：从二维变成一维

int f[N];
for(int i=1;i<=n;i++)
	for(int j=v[i];j<=m;j++)
		f[j]=max(f[j],f[j-v[i]]+w[i]);

3.多重背包问题

多重背包问题特点：每种物品有件数限制

额外定义物品$i$有$s_i$件

状态表示：定义$f(i,j)$表示只从前$i$个物品中选择，总体积不超过$j$的最大价值

状态转移：$f(i,j)$可以分为选$0$ ~ $min(s_i,\lfloor \frac{j}{v_i}\rfloor )$个物品$i$的情况

状态转移方程:
$$f(i,j)=max(f(i,j),f(i-1,j-k{v}_i)+k{w}_i)(k\in [0,min(s_i,\lfloor \frac{j}{v_i}\rfloor )],k\in Z)$$

时间复杂度：$O(nms)$

for(int i=1;i<=n;i++)
	for(int j=0;j<=m;j++)
		for(int k=0;k<=s[i]&&k*v[i]<=j;k++)
			f[i][j]=max(f[i][j],f[i-1][j-k*v[i]]+k*w[i]);

优化：转化为01背包问题

假设物品$i$有$1000$件，则可以选择的数量有$0,1,2,\cdots ,1000$，我们将物品按$1,2,4,\cdots ,256,489($此处为$1000-511)$件进行“打包”，则可将问题转化为“打包”后新$\log n$个物品的01背包问题，时间复杂度 $O(nms)$变为$O(nm\log s)$

//这里注意 N 至少要开到 n * logs (基佬紫警告
int v[N],w[N];
int f[N];
int n,m,cnt;
//边读边打包
for(int i=1;i<=n;i++){
	int a,b,s;
	scanf("%d%d%d",&a,&b,&s);
	//打包存储，cnt记录打包后物品总数量 
	int k=1;
	while(k<=s){
		cnt++;
		v[cnt]=a*k;
		w[cnt]=b*k;
		s-=k;
		k*=2;
	}
	//剩余不足 2 的更高次幂个物品额外打包 
	if(s>0){
		cnt++;
		v[cnt]=a*s;
		w[cnt]=b*s;
	}
} 
//物品个数为cnt，背包容量为m的01背包问题模板
for(int i=1;i<=cnt;i++)
	for(int j=m;j>=v[i];j--)
		f[j]=max(f[j],f[j-v[i]]+w[i]);

4.分组背包问题

分组背包问题特点：物品分为多组，每组内有若干个，每组只能选一个

状态表示：定义$f(i,j)$表示只从前$i$组物品中选择，总体积不超过$j$的最大价值

状态转移：$f(i,j)$可以分为不从第$i$组物品中选和从第$i$组物品中选第$k$个物品两种情况

状态转移方程：
$$f(i,j)=max(f(i-1,j),f(i-1,j-v_{(i,k)})+w_{(i,k)})$$

优化：从二维变成一维（类比01背包，$j$从大到小遍历）

int n,m;//n组物品，容量为m
int v[N][N],w[N][N],s[N];//s[i]表示第i组物品的件数
int f[N];
for(int i=1;i<=n;i++)
	for(int j=m;j>=0;j--)
		for(int k=1;k<=s[i];k++)
			if(v[i][k]<=j)
				f[j]=max(f[j],f[j-v[i][k]]+w[i][k]);