算法学习——九种背包问题汇总（超全）

DM-X～X～X

于 2024-09-17 23:07:02 发布

阅读量1.2k

点赞数 27

分类专栏：算法学习文章标签：学习算法动态规划

本文链接：https://blog.csdn.net/DMX20070206/article/details/142304842

版权

算法学习专栏收录该内容

1 篇文章 0 订阅

订阅专栏

写在前面

本人是垃圾211本科生，算法功底很弱，本文只是为了记录学习笔记而写，玻璃心轻点喷

下文代码均能通过平台测试，但绝对不是最优（仅供参考）

01背包问题

问题描述

问题分析

由于每种物品只有拿和不拿两种状态，故称为01背包

①定义 DP 状态：

$f_{i,j}$ 表示在 1 ~ i 个物品中任取，背包容量为 j 的时候的最大价值

②判断 DP 转移：

想要求得 $f_{i,j}$

如果新加入的物品 i 不放入背包，则 $f_{i,j} = f_{i-1 ,j}$

如果新加入的物品 i 放入背包，则 $f_{i,j} = f_{i-1,j-weights\left [ i \right ]} + values\left[ i \right ]$

状态转移方程为： $f_{i,j}=max\left ( f_{i-1,j},f_{i-1,j-weights\left [ i \right ]} +values\left [ i \right ]\right )$

在初学时脑海中出现过一个问题，背包问题的最优解不一定是刚刚好放满背包的，为什么 $f_{i-1,j-weights\left [ i \right ]}$ 部分的重量是 $j-weights\left [ i \right ]$ ，万一 $f_{i-1,j-weights\left [ i \right ]}$ 的最优解没有装满背包，岂不是浪费了一部分容量吗

解释：假设对于 1 ~ i - 1 的物品的最优解的总重量为 w，那么既然 $f_{i-1,j-weights\left [ i \right ]}$ 的最优解没有装满背包，也就是说在 $f_{i-1,w}$ 的基础上，增加了一部分背包容积到 $j-weights\left [ i \right ]$ 是没有用处的，也就是说 $f_{i-1,j-weights\left [ i \right ]} = f_{i-1,w}$

③初始化 DP 数组：

初始全为0即可，代表最大价值为0（没有价值为负的物品）

④代码优化

将二维数组（行为物品，列为背包容量）通过滚动的形式变成一维数组

简单解释：二维数组的更新是一行一行更新的，每次更新新的元素取决于该元素的 上一层同列元素 以及 上一层前面列的元素。压缩成一维数组并且 从后向前遍历列 时，上一层同列元素等价于当前元素已有值，上一层前列元素等价于同一层前列元素（因为从后向前遍历时，还未更新到前面的元素，其位置仍未上一层的值）

完全背包问题

问题描述

问题分析

由于每种物品可以选无限次，故称为完全背包

①定义 DP 状态：

$f_{i,j}$ 表示在 1 ~ i 个物品中任取，背包容量为 j 的时候的最大价值

②判断 DP 转移：

采用思考角度二：想要求得 $f_{i,j}$

如果新加入的物品 i 不放入背包，则 $f_{i,j} = f_{i-1 ,j}$

如果新加入的物品 i 放入背包，则需要考虑放多少个，假设我们放入两个物品 i，则状态转移方程 $f_{i,j} = f_{i,j-2weights\left [ i \right ]} + 2values\left[ i \right ]$

和两个状态转移方程

$f_{i,j-weights\left [ i \right ]} = f_{i,j-2weights\left [ i \right ]} + values\left[ i \right ]$

$f_{i,j} = f_{i,j-weights\left [ i \right ]} + values\left[ i \right ]$

的叠加是一致的。也就是说， $f_{i,j-weights\left [ i \right ]}$ 已由 $f_{i,j-2weights\left [ i \right ]}$ 更新过，不需要再去枚举此处放入多少个物品 i

状态转移方程为： $f_{i,j}=max\left ( f_{i-1,j},f_{i,j-weights\left [ i \right ]} +values\left [ i \right ]\right )$

注意01背包和完全背包中状态转移方程的区别

01背包： $f_{i,j}=max\left ( f_{i-1,j},f_{i-1,j-weights\left [ i \right ]} +values\left [ i \right ]\right )$

完全背包： $f_{i,j}=max\left ( f_{i-1,j},f_{i,j-weights\left [ i \right ]} +values\left [ i \right ]\right )$

区别在于一个是 $f_{i-1,j-weights\left [ i \right ]}$ ，一个是 $f_{i,j-weights\left [ i \right ]}$

解释：因为 $f_{i,j-weights\left [ i \right ]}$ 的最优解中有可能已经放入了物品 i，而01背包每个物品只能放入一次，故状态转移方程中必须使用 $f_{i-1,j-weights\left [ i \right ]}$

③初始化 DP 数组：

初始全为0即可，代表最大价值为0（没有价值为负的物品）

④代码优化

注意下面解释和01背包的相似性

将二维数组（行为物品，列为背包容量）通过滚动的形式变成一维数组

简单解释：二维数组的更新是一行一行更新的，每次更新新的元素取决于该元素的 上一层同列元素 以及同一层前面列的元素。压缩成一维数组并且 从前向后遍历列 时，上一层同列元素等价于当前元素已有值，同一层前列元素等价于同一层前列元素（因为从前向后遍历时，已经更新到前面的元素，其位置已经是同一层元素的值）

多重背包问题

问题描述

问题分析

由于每种物品可以选特定次，故称为多重背包

本题主要聚焦于 二进制 和 单调队列 优化方法

多重背包完全可以转化成01背包来处理，将每种物品选若干次等价于有若干个价值一样的物品，每种物品只能选一次

二进制优化方法

现在考虑这样一种情况，假设我有3个价值为1的物品 $A_{1},A_{2},A_{3}$ ，最优解会选择2个价值为1的物品。那么此时，我选取 $A_{1},A_{2}$ 和选取 $A_{1},A_{3}$ 是完全一致的。

而直接使用1背包求解会重复计算上述两种情况（实际可能会更多）

所以一种想法是：采用二进制分组使拆分方法不会出现重复计算的情况

举例子说明：

6 = 1 + 2 + 3(不足4)
8 = 1 + 2 + 4 + 1(不足8)
18 = 1 + 2 + 4 + 8 + 3(不足16)
31 = 1 + 2 + 4 + 8 + 16

因为任何一个十进制数 num 都可以由若干个不重复的 $2^{i} \ i\epsilon \left [ 0,\left \lfloor \log_{2}num \right \rfloor \right ]$ 求和得到，证明也很简单，因为每个十进制数都可以转化成二进制数，而二进制数字显然可以由若干个不重复的 $2^{i}$ 求和得到

举例子说明：(1,2)表示重量为1 价值为2 的物品

有33个(1,2) => 33 = 1 + 2 + 4 + 8 + 16 + 2(不足32)
等效于背包中有(1,2),(2,4),(4,8),(8,16),(16,32),(2,4)六件物品(33件 -> 6件)
- 如果最优解要选13个，那么13 = 1 + 4 + 8
- 如果最优解要选23个，那么23 = 1 + 2 + 4 + 16
- 如果最优解要选16个，那么16 = 16

可以看到，无论最优解最终选择多少个物品，都可以由这些二进制分组组成

单调队列优化方法(未完善)

单调队列类似优先队列，但优先队列本质为维护一个最大/最小堆，而单调队列的维护方法是自己定义的，并且单调队列插入元素的过程中有可能会弹出元素

一般实现如下：

（1）push(num)，如果入口元素小于 num 则弹出（直到队列为空或者出口元素大于等于num），完成后插入num

（2）pop(num)，如果出口元素等于 num 则弹出，否则不做操作

（3）getMax()，出口元素即为队列中的最大值

不详细解释原理（下文给出了一种实现），相关题目链接：滑动窗口的最大值
class MonotonicQueue
{
public:
    // deque 为C++STL库中双向队列
    deque<int> nums;
    void push(int num)
    {
        while ((int)nums.size() && nums.back() < num)
        {
            nums.pop_back();
        }
        nums.push_back(num);
    }
    void pop(int num)
    {
        if (nums.size() == 0)
            return;
        if (nums.front() == num)
            nums.pop_front();
    }
    int getMax()
    {
        return nums.front();
    }
};

首先，我们用最朴素的方法来实现多重背包

当决定物品 i 放几个的时候，枚举放0个到放最大个（背包放得下 + 个数足够）

故 $f_{i,j}$ 为下列各个式子中的最大值：

放1个物品 i： $f_{i,j-1weights\left [ i \right ]} + 1values\left [ i \right ]$

放2个物品 i： $f_{i,j-2weights\left [ i \right ]} + 2values\left [ i \right ]$

放3个物品 i： $f_{i,j-3weights\left [ i \right ]} + 3values\left [ i \right ]$

……………………

放k个物品 i： $f_{i,j-kweights\left [ i \right ]} + kvalues\left [ i \right ]$

k为满足 $j \geq kweights[i] \ and \ k \leq nums[i]$ 的最大值

观察公式，不难发现下列式子 模 weights[i] 是同余的

$j$

$j-1weights[i]$

$j-2weights[i]$

$j-3weights[i]$

……………………

$j-kweights[i]$

我们不妨假设 $j = sweights[i] + t$

此时，我们将上面的状态转移式子写到头（当成完全背包来看）：

放1个物品 i： $f_{i,j-1weights\left [ i \right ]} + 1values\left [ i \right ]$

放2个物品 i： $f_{i,j-2weights\left [ i \right ]} + 2values\left [ i \right ]$

放3个物品 i： $f_{i,j-3weights\left [ i \right ]} + 3values\left [ i \right ]$

……………………

放k个物品 i： $f_{i,j-kweights\left [ i \right ]} + kvalues\left [ i \right ]$

……………………

放s个物品 i： $f_{i,t} + s values\left [ i \right ]$

混合背包问题

问题描述

问题分析

由于有的物品能取一次，有的物品能取k次，有个物品能无限取，故称作混合背包

将问题简单化成多重背包

物品即便有无限次，最多也只能取到背包容量 / 物品重量的个数（向下取整）

二维费用背包问题

问题描述

问题分析

不同于01背包，此时的背包需要同时考虑两个指标，所以需要在状态中增加一维存放第二种价值

分组背包问题

问题描述

问题分析

以下分析均本人胡思乱想，可能会有错误的地方

每一组中的物品只能选一个，我们 用一个物品来代替一组物品，该物品有 不同的表现形式 可以选择。举个例子，例如一组物品 [(1,2), (1,3), (4,4), (9,10)]，将其等价于一个物品，该物品的重量和价值可以在四种之间选择

那么解题思路和01背包完全一致，不同之处在于最内层循环中，额外加入一层循环遍历该物品的若干种表现形式求最大值

有依赖的背包问题

问题描述

问题分析

本题需要分组背包和树形DP的知识

分组背包请看上文，树形DP请看树形DP教程

选择一个物品的前提是选择该物品的父物品，故称为有依赖的背包问题

该题为典型的背包类树形DP（另一道典型题目：选课）

树形DP的核心就是当分析某个节点的时候，不考虑它的父节点，而是聚焦于当前节点的子树

①定义 DP 状态：

$f_{i,j}$ 表示在考虑 i 节点的子树时，i 节点物品必须选择 并且分给该子树的背包容量为 j 时的最大价值

②判断 DP 转移：

首先，由于 i 节点物品必须选择，实际分给子节点的容量为 $j - weights[i]$

那么 $f_{i,j}$ 就是 排列组合枚举子节点们分得的容量 中的最大值

例如，我们以2节点的子树为例（假设2节点的重量为3，4节点的重量为1，5节点的重量为2）

假设我们想要求得 $f[2,7]$ ，容易想到的解决方法为：将7的容量分出3给父节点2，剩余的4分给两个子节点4和5（枚举 0+4,1+3,3+1,4+0 这些组合，找到一个最大值）

$f[2,7] = max\left ( f[4,0] +f[5,4],f[4,1]+f[5,3],f[4,2]+f[5,2],f[4,3]+f[5,1],f[4,4]+f[5,0] \right )$

但是在子节点个数不确定时，枚举出若干排列组合只能用回溯算法求解，这时的复杂度一定超出了可行范围。于是，我们采用 分组背包的思想 优化问题

我们把4、5两个子节点看作两组物品，每组物品有5个，(weight, value)：

第一组： $(0,f[4,0]),(1,f[4,1]),(2,f[4,2]),(3,f[4,3]),(4,f[4,4])$

第二组： $(0,f[5,0]),(1,f[5,1]),(2,f[5,2]),(3,f[5,3]),(4,f[5,4])$

问题转化为：每一组物品只能选择一个，背包总容量为4时的最大价值

上文的 $f[4,0] +f[5,4]$ 等价于第一组物品选择第1个，第二组物品选择第5个

上文的 $f[4,2] +f[5,2]$ 等价于第一组物品选择第3个，第二组物品选择第3个

由于 $f[i,j] \leq f[i,k] ~~~~ if ~~ j \leq k$ ，所以分组背包的最优解一定是：

$max\left ( f[4,0] +f[5,4],f[4,1]+f[5,3],f[4,2]+f[5,2],f[4,3]+f[5,1],f[4,4]+f[5,0] \right )$

上述式子中五个组合的其中一个

这时问题就变成了纯粹的分组背包问题，对于求解 $f(i,j)$ 来说，分组背包的组数为 $\left | Son(i)) \right |$ ，背包容量为 $j-weighs[i]$ ，每组的物品数为 $j-weights[i]+1$ ，每组第 i 个物品：

$weight_{i} = i-1$

$value_{i} = f[son,i-1]$

③实现细节：

在代码实现上，做了一点小小的优化，还是以刚才的例子说明：

问题 $f[2,7]$ 对应分给子树的容量为 $7 - weights[2]$ ，在写代码的时候我们假设分给子树的容量就是7，计算后 先重新选择物品2修改一部分数据，后将非法的数据归零，即：

选择父节点物品，倒序修改数据：

$f[2,7] = f[2,7-weights[2]] + values[2]$

$f[2,6] = f[2,6-weights[2]] + values[2]$

……………………

$f[2,weights[2]] = f[2,0] + values[2]$

非法数据：

$f[2,0] = f[2,1] = ... = f[2,weighs[2]-1] = 0$

这样处理使得循环的边界条件得到了简化，具体请看下文的代码实现

背包问题求方案数

问题描述

问题分析

该题目求的是最优选的方案数，而不是最大价值，但解题思路大同小异

①定义 DP 状态：

首先思考，为什么会有多种最优选法。重新回顾01背包的状态转移方程：

$f_{i,j}=max\left ( f_{i-1,j},f_{i-1,j-weights\left [ i \right ]} +values\left [ i \right ]\right )$

不难发现，当出现 $f_{i-1,j}=f_{i-1,j-weights\left [ i \right ]} +values\left [ i \right ]$ 的情况时，就有了两条选择物品的分支。所以我们的解题思路是：开两个数组 f 和 nums，其中 $f[i][j]$ 表示选前 i 个物品，背包容量为 j 时的最大价值， $nums[i][j]$ 表示选前 i 个物品，背包容量为 j 时的最优方案数