01背包[绝对看得懂版]

最新推荐文章于 2024-07-26 21:47:37 发布

Eclosion_

最新推荐文章于 2024-07-26 21:47:37 发布

阅读量155

点赞数

分类专栏：算法学习文章标签：算法动态规划

本文链接：https://blog.csdn.net/Eclosion_/article/details/103606637

版权

算法学习专栏收录该内容

1 篇文章 0 订阅

订阅专栏

本文详细解析0/1背包问题，包括问题描述、解题思路及动态规划算法实现。通过实例介绍了如何从二维数组优化到一维数组，降低空间复杂度，解决更大规模的数据问题。同时列举了多个变种问题，如采药问题、购物问题等，展示了0/1背包问题的广泛应用。

摘要由CSDN通过智能技术生成

0/1背包完全详解

1.1 问题描述

有N件物品和一个大小为M的背包，以及若干物品，每种物品只有一件，大小分别为w[i]，其价值分别为val[i]。问题：将哪些物品装入背包，可使得背包内的物品价值总和最大？

输入：

第一行：N M

接下来N行，每行两个整数，w[i]和val[i]。

输出：最大价值Vmax.

1.2 解题思路

由于每种物品都只有一件，所以只存在两个选择：装这个物品或者不装。（也就是0/1背包的含义）

我们定义一个数组bag [i] [v]用于储存——当背包大小为v，且选择处理完第i个物品后（前i个物品选择装或不装）的最大价值总和，那么最终的答案就是bag [n] [m]。

我们通过一个例子来推出bag [i] [v]的递推式。

有3个物品，大小价值如下表，和一个大小为3的背包。

物品/背包大小	1	2	3
A，大小1，价值2
B，大小2，价值5
C，大小1，价值3

先考虑装不装A。如下表。

物品/背包大小	1	2	3
A，大小1，价值2	2	2	2
B，大小2，价值5
C，大小1，价值3

由于A的大小只有1，所以大小1~3的背包都可以装下它，于是更新所有值为A的价值2。

接下来考虑B。如下表。

物品/背包大小	1	2	3
A，大小1，价值2	2	2	2
B，大小2，价值5	2	5	7
C，大小1，价值3

由于B的大小为2，所以大小为1的背包装不下它，值不变。

大小为2的背包可装下它，且值为5，比原来的2大，于是更新值为5。

大小为3的背包可装下它，且装完后剩余大小为1。

如果装B，那么价值=B的价值+未装B的、大小为1的背包的最大价值=5+2=7。

如果不装B，那么价值就是原来的值=2。在二者里取max，就能得到最大值，也就是7。

最后考虑C。如下表。

物品/背包大小	1	2	3
A，大小1，价值2	2	2	2
B，大小2，价值5	2	5	7
C，大小1，价值3	3	5	8

C的大小为1，背包1可装，值更大，更新为3。

背包2可装，如果装，那么价值=C的价值+未装C的、大小为1的背包的最大价值=3+2=5。

如果不装，值就是原来的5。二者取max即可。

背包3可装，如果装，那么价值=C的价值+未装C的、大小为2的背包的最大价值=5+3=8。

如果不装，值就是原来的7。二者取max即可。

所以最后输出的值就是8。

小结论：

我们可以发现递推公式：bag [i] [v] = max ( bag [i-1] [v] , bag [i-1] [ v - w [i] ] + val [i] )。

也就是处理第i件物品，背包大小为v时的最大价值，有两种可能。

①装入第i件物品

那么价值=该物品的价值+未装入该物品的、大小足够塞入该物品的背包的最大价值=bag [i-1] [ v - w [i] ] + val [i]。

②不装入第i件物品

那么价值就是处理i-1件物品时计算出来的值，不变。

二者取最大值即可。

1.2.1 代码：

#include <stdio.h>
int max(int a,int b)``
{
    if(a>b) return a;
    else return b;
}
int bag[1000][1000];//储存解的数组
int w[1000],val[1000];//每件物品的大小与价值
int main()
{
    int n,m;
    scanf("%d%d",&n,&m);
    for(int i=1;i<=n;i++)
        scanf("%d%d",&w[i],&val[i]);//读入数据
    for(int i=1;i<=n;i++) //从第一件物品一直处理到第i件物品
        for(int j=1;j<=m;j++) //从大小为1的背包处理到大小为m的背包
        if(j>=w[i])//塞得进去这件物品的话
        bag[i][j]=max(bag[i-1][j],bag[i-1][j-w[i]]+val[i]);//就判断是塞还是不塞比较好
        else//塞不进去就是原来的值
        bag[i][j]=bag[i-1][j];
    printf("%d\n",bag[n][m]);//全部处理完后，输出最后的答案
    return 0;
}

1.3 算法的空间优化

1.3.1 为什么要优化？

通过1.3的代码可以很容易的看出，当物品有1,000件，背包大小为1,000时，我们就需要开一个1,000,000大小的数组了，要是处理的数据再稍微大一点，就会导致数组开的过大，然后内存溢出。

所以为了解决更大的数据，空间的优化是必要的。

1.3.2 怎么优化？

我们可以发现，当我们处理第i件物品时，要用到的只是处理第i-1件物品时的数据，再之前的就用不到了。

所以，我们可以每次处理物品时，就把数据进行一次覆盖，这样二维数组就能降维到一维了。

但需要注意！降维到一维数组后，我们处理第i件物品时，就不能从大小为1的背包一直顺序处理到大小为m的背包了。为什么？因为这样的话，处理i-1件物品时的数据会在本次处理中被覆盖，而处理更大的背包时是会用到小背包的数据的。

这样就会出现——已经塞了第i件物品了，处理时就当做没塞，就会WA了。

所以我们这里进行倒序处理，因为处理小背包用不到大背包的数据，覆盖了也就覆盖了，无所谓。

1.3.3 优化代码

#include <stdio.h>
int max(int a,int b)
{
    if(a>b) return a;
    else return b;
}
int bag[1000];//降维到一维的数组
int w[1000],val[1000];//每件物品的大小与价值
int main()
{
    int n,m;
    scanf("%d%d",&n,&m);
    for(int i=1;i<=n;i++)
        scanf("%d%d",&w[i],&val[i]);//读入数据
    for(int i=1;i<=n;i++) //从第一件物品一直处理到第i件物品
        for(int j=m;j>0;j--) //倒序处理
        if(j>=w[i])//塞得进去这件物品的话
        bag[j]=max(bag[j],bag[j-w[i]]+val[i]);//就判断，处理后覆盖上一次处理的数据
        else//塞不进去就是原来的值
        bag[j]=bag[j];//这行代码完全没有意义，但是为了方便对比，留在这里
    printf("%d\n",bag[m]);//全部处理完后，输出最后的答案
    return 0;
}