背包问题【01、完全（恰好or不超过）、多重】【尚未整理完】

变形问题：2N长度数组，分成俩N长度的，使其和差值最小。【程序员面试100题之十五：数组分割】

 

 

 

（写在前面）背包问题 总结的要点：

（黄色字体标题的代码为三个问题最终用的模板）

1.一维(矩阵)的01背包为啥要逆序（保证更新f[j]时，f[ j - weight[i] ]是没有放入物品i时的数据即f[ i - 1 ][ j - weight[i] ]，因为01背包每个物品至多被选一次。而完全背包中，每个物品可以被选无限次，那么状态f[i][j]，正好可以由可能已经放入物品i的状态f[ i - 1 ][ j - weight[i] ]转移而来。所以，遍历顺序改为顺序时，就是完全背包问题，其余都不用变~）

 

2.完全背包 和 01背包 的区别仅在于状态更新时的遍历顺序。（即01是逆序，完全是顺序）

 

3.不超过容量 和 恰好装满 的区别仅在于二者的初始化~（前者全0；后者，f[i][0] = 0（第一列），其余全为0x80000000，一维：除f[0]为0外，其余f[j]都是负无穷）

 

4.循环边界  i：【1，N】，j：【V，weight[i]】(下文有讲，还有更优化的..不过看不懂)

 

5.多重背包问题可以拆分为 01背包 与 完全背包 的组合。

 

6.打印出装的顺序（下文有讲 尚未看）

 

 

 

原文说的很详细甚至到了啰嗦的地步..持续整理中...= =b

 

以下整理自：背包问题九讲笔记_01背包

 

 

摘自Tianyi Cui童鞋的《背包问题九讲》，稍作修改，方便理解。

01背包问题描述

已知:有一个容量为V的背包和N件物品，第i件物品的重量是weight[i]，收益是value[i]。

限制:每种物品只有一件，可以选择放或者不放

问题:在不超过背包容量的情况下，最多能获得多少价值或收益

变型问题:在恰好装满背包的情况下，最多能获得多少价值或收益

这里，我们先讨论在不超过背包容量的情况下，最多能获得多少价值或收益。

基本思路分析

考虑我们的子问题，将前i件物品放到容量为v的背包中，若我们只考虑第i件物品时，它有两种选择，放或者不放。

1) 如果第i件物品不放入背包中，那么问题就转换为：将前i - 1件物品放到容量为v的背包中，带来的收益f[i - 1][v]

2) 如果第i件物品能放入背包中，那么问题就转换为：将前i - 1件物品放到容量为v - weight[i]的背包中，带来的收益f[i - 1][v - weight[i]] + value[i]

二维矩阵的实现代码（非最佳，因为可以使用一维矩阵，从而降低空间复杂度）

#include <iostream>  
using namespace std;  
  
const int N = 3;//物品个数  
const int V = 5;//背包最大容量  
int weight[N + 1] = {0,3,2,2};//物品重量  
int value[N + 1] = {0,5,10,20};//物品价值  
  
int f[N + 1][V + 1] = {
  {0}}; 
  
/* 
目标：在不超过背包容量的情况下，最多能获得多少价值 
 
子问题状态:f[i][j]:表示前i件物品放入容量为j的背包得到的最大价值 
 
状态转移方程:f[i][j] = max{f[i - 1][j],f[i - 1][j - weight[i]] + value[i]} 
 
初始化:f数组全设置为0 
*/  
int ZeroOnePack()  
{  
    //初始化  
    memset(f,0,sizeof(f));  
    //递推  
    for (int i = 1;i <= N;i++) //枚举物品。i为0时无意义，故f[0][j] = 初始值0  
    {  
        for (int j = V;j >= 0;j--) //枚举背包容量  
        {  
            f[i][j] = f[i - 1][j];  //j<weight[i]时，状态仅能来自于<span style="font-family: Arial, Helvetica, sans-serif;">f[i - 1][j]</span>
            if (j >= weight[i])  
            {  
                f[i][j] = max(f[i - 1][j],f[i - 1][j - weight[i]] + value[i]);  
            }  
        }  
    }  
    return f[N][V];  
}  

 

 

 

 

 

 copy

效率分析：

此算法的时间复杂度为O(N*V)，空间复杂度也为O(N*V)。其中，N 表示物品个数，V 表示背包容量。

这里，时间复杂度不可以在优化了，但是空间复杂度可以继续优化到O(V)。

优化空间复杂度

上述的方法，我们使用二维数组 f[i][v] 保存中间状态，这里我们可以使用一维数组f[v]保存中间状态就能得到结果。

分析

f[i][j] = max(f[i - 1][j],f[i - 1][j - weight[i]] + value[i])，我们可以看出，状态的转移仅与上一行（i-1行）有关。

我们现在使用f[v]保存中间状态，我们想要达到的效果是，第i次循环后，f[v]中存储的是前i个物体放到容量v时的最大价值

当我们使用一维数组存储状态时，f[v]表示，在执行i次循环后(此时已经处理i个物品)，前i个物体放到容量v时的最大价值，即之前的f[i][v]。与二维相比较，它把第一维隐去了，但是二者表达的含义还是相同的，只不过针对不同的i，f[v]一直在重复使用，所以，也会出现第i次循环可能会覆盖第i - 1次循环的结果。

为了求f[v],我们需要知道，前i - 1个物品放到容量v的背包中带来的收益，即之前的f[i - 1][v] 和 前i - 1件物品放到容量为v - weight[i]的背包中带来的收益，即之前的f[i - 1][v - weight[i]] + value[i]。

难点：

由于我们只使用一维数组存储，则在求这两个子问题时就没有直接取出那么方便了，因为，第i次循环可能会覆盖第i - 1次循环的结果。

现在我们来求这两个值：

1）前i-1个物品放到容量v的背包中带来的收益，即之前的f[i - 1][v] ：

由于，在执行在i次循环时，f[v]存储的是前i个物体放到容量v时的最大价值，在求前i个物体放到容量v时的最大价值(即之前的f[i][v])时，我们是正在执行第i次循环，f[v]的值还是在第i-1次循环时存下的值，在此时取出的 f[v]就是前i-1个物体放到容量v时的最大价值，即f[i - 1][v]。

2）前i-1件物品放到容量为v-weight[i]的背包中带来的收益，即之前的f[i-1][v-weight[i]] + value[i]

由于，在执行第i次循环前，f[0] ~ f[V]中保存的是第i - 1次循环的结果，即是前i - 1个物体分别放到容量0 ~ V时的最大价值，即f[i - 1][0] ~f[i - 1][V]。

则，在执行第i次循环前，f 数组中v - weight[i]的位置存储就是我们要找的 "前i - 1件物品放到容量为v - weight[i]的背包中带来的收益" (即之前的f[i - 1][v - weight[i]])，这里假设物品是从数组下标1开始存储(全文皆是)。

伪代码

 

for i=1..N //枚举物品  
    for v=V..0 //枚举容量，从大到小  
        f[v]=max{f[v],f[v-weight[i]] + value[i]};  

 

由上面伪代码可知，在执行第 i 次循环时，