背包问题

背包问题

参考博客及文章：

1.https://www.cnblogs.com/Christal-R/p/Dynamic_programming.html
2.https://www.cnblogs.com/yulinfeng/p/7113588.html
3.https://www.jianshu.com/p/a0aa94ef8ab2

问题描述：有n个物品，它们有各自的重量和价值，现有给定容量的背包，如何让背包里装入的物品具有最大的价值总和？

eg：number＝4，capacity＝8

i	1	2	3	4
w(体积)	2	3	4	5
v(价值)	3	4	5	6

1.思想

动态规划与分治法类似，都是把大问题拆分成小问题，通过寻找大问题与小问题的递推关系，解决一个个小问题，最终达到解决原问题的效果。

分治法在子问题和子子问题等上被重复计算了很多次，而动态规划则具有记忆性，通过填写表把所有已经解决的子问题答案纪录下来，在新问题里需要用到的子问题可以直接提取，避免了重复计算，从而节约了时间，所以在问题满足最优性原理之后，用动态规划解决问题的核心就在于填表，表填写完毕，最优解也就找到。

2. 过程

1.抽象化问题

Vi:第i个物品的价值,Wi:表示第i个物品的重量

Xi:表示是否选择第i个物品(Xi=1或0，表示选或者不选第i个物品)

V(i,j):当前背包容量为j,选择前i个物品的最佳组合

2.建立模型

max(\sum_{i=1}^n{X_i*V_i})

3.约束条件

max(\sum_{i=1}^n{X_i*W_i})<capacity

4.寻找递推关系

V(i,j)可由V(i-1,j)和V(i-1,j-w[i])两个子问题递推而来:

• 包的容量无法装下第j件商品，则不装，此时V(i,j)=V(i-1,j)
• 包的容量可以装下该商品，但装了该商品未必满足最优解，此时在装与不装之间选择最优解。
  即V(i,j)=max｛V(i-1,j)，V(i-1,j-w(i))+v(i) ｝
  其中V(i-1,j)表示不装，V(i-1,j-w(i))+v(i) 表示装了第i个商品，背包容量减少w(i)但价值增加了v(i)。
  
  由此可以得出递推关系式：

1. j<w(i) V(i,j)=V(i-1,j)
2. j>=w(i) V(i,j)=max｛ V(i-1,j)，V(i-1,j-w(i))+v(i) ｝

5.填表

首先初始化边界条件，V(0,j)=V(i,0)=0。然后一行一行的填表：

1) 如，i=1，j=1，w(1)=2，v(1)=3，有j<w(1)，故V(1,1)=V(1-1,1)=0；

2) 又如i=1，j=2，w(1)=2，v(1)=3，有j=w(1),故V(1,2)=max｛ V(1-1,2)，V(1-1,2-w(1))+v(1) ｝=max｛0，0+3｝=3；

3) 如此下去，填到最后一个，i=4，j=8，w(4)=5，v(4)=6，有j>w(4)，故V(4,8)=max｛ V(4-1,8)，V(4-1,8-w(4))+v(4) ｝=max｛9，4+6｝=10；最后结果如下表

i/j	0	1	2	3	4	5	6	7	8
0	0	0	0	0	0	0	0	0	0
1	0	0	3	3	3	3	3	3	3
2	0	0	3	4	4	7	7	7	7
3	0	0	3	4	5	7	8	9	9
4	0	0	3	4	5	7	8	9	10

6.求解背包组成

表格填完，最优解即是V(number,capacity)=V(4,8)=10，但还不知道解由哪些商品组成，故要根据最优解回溯找出解的组成，根据填表的原理可以有如下的寻解方式：

1. V(i,j)=V(i-1,j)时，说明没有选择第i个商品，则回到V(i-1,j)；
2. V(i,j)=V(i-1,j-w(i))+v(i)实时，说明装了第i个商品，该商品是最优解组成的一部分，随后我们得回到装该商品之前，即回到V(i-1,j-w(i))；
3. 一直遍历到i＝0结束为止，所有解的组成都会找到。

• 如上例子最优解为V(4,8)=10，而V(4,8)!=V(3,8)却有V(4,8)=V(3,8-w(4))+v(4)=V(3,3)+6=4+6=10，所以第4件商品被选中，并且回到V(3,8-w(4))=V(3,3)；
• 有V(3,3)=V(2,3)=4，所以第3件商品没被选择，回到V(2,3)；
• 而V(2,3)!=V(1,3)却有V(2,3)=V(1,3-w(2))+v(2)=V(1,0)+4=0+4=4，所以第2件商品被选中，并且回到V(1,3-w(2))=V(1,0)；
• 有V(1,0)=V(0,0)=0，所以第1件商品没被选择；

7.代码

#背包问题
global item
item=[0 for i in range(4)]                 #标记背包内是否装了第i件物品

def findWhat(V,i,j,v,w):                   #查找背包内物品价值最大时放置了哪几件物品
    if i>=1:
        if V[i][j]==V[i-1][j]:
            item[i-1]=0
            findWhat(V,i-1,j,v,w)
        elif ( j-w[i-1]>=0 and V[i][j]==V[i-1][j-w[i-1]]+v[i-1] ) :
            item[i-1]=1
            findWhat(V,i-1,j-w[i-1],v,w)

#动态规划求背包价值最大值
# w[i]:第i件物品的重量,v[i]:第i件物品的价值
# V[x][y]:背包容量为y,选择前x件物品的最优解
# n:物品个数,c:背包总容量
def findMax(w,v,n,c):
    i=1
    j=1
    V=[[0 for i in range(c+1)] for i in range(n+1)]
    for i in range(1,n+1):                   #还未扫描到最后一件物品
        for j in range(1,c+1):               #包还有剩余空间
            if j<w[i-1]:                     #包装不下第i件物品
                V[i][j]=V[i-1][j]
            else:
                if (V[i-1][j]>(V[i-1][j-w[i-1]]+v[i-1])): #不装第i件物品价值更大
                    V[i][j]=V[i-1][j]
                else:
                    V[i][j]=V[i-1][j-w[i-1]]+v[i-1]
    return V

if __name__=="__main__":
    n=4               #物品个数
    c=8               #背包容积
    w=[2,3,4,5]       #每件物品的重量
    v=[3,4,5,6]       #每件物品的价值
    V=findMax(w,v,n,c)
    print(V[4][8])
    findWhat(V,n,c,v,w)
    for i in range(n):
        if (item[i]==1):
            print("选择了第",i+1,"件商品")

注意

因为V(i,j)是由V(i-1,j)和V(i-1,j-w[i])两个子问题递推而来，所以对于V,循环时i和j应从1开始，而对于w[]和v[]，i是从0开始，编写代码时应当注意