本系列汇总我对背包问题的学习,其实我在映象笔记里面已经说得很充分了。搬过来吧。
问题描述
先给出常见的背包情形:
01背包(ZeroOnePack):
有N件物品和一个容量为V的背包。(每种物品均只有一件)第i件物品的费用是c[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。
完全背包(CompletePack):
有N种物品和一个容量为V的背包,每种物品都有无限件可用。第i种物品的费用是c[i],价值是w[i]。求解将哪些物品装入背包可使这些物品的费用总和不超过背包容量,且价值总和最大。
多重背包(MultiplePack):
有N种物品和一个容量为V的背包。第i种物品最多有n[i]件可用,每件费用是c[i],价值是w[i]。求解将哪些物品装入背包可使这些物品的费用总和不超过背包容量,且价值总和最大。
比较三个题目,会发现不同点在于每种背包的数量,01背包是每种只有一件,完全背包是每种无限件,而多重背包是每种有限件。当然,上述背包不可拆分。如果拆分,算出性价比,贪心就好了。
问题分析(01背包)
下面两个帖子说得比较清楚,思路上。
还是对于怎么考虑这个问题我不做太多说明,参看下面的链接。
[利用金矿模型理解背包]
我就直接给问题求解方法:
- 状态定义:dp[i][j]表示把前i件物品放入容量为j的背包中的最大价值
- 初始化:当没有物品放入时,价值为0。所以,dp[0][j] = 0.
- 状态转移:
-
ifj<c[i]thendp[i][j]=dp[i−1][j]
-
ifj≥c[i]thendp[i][j]=max(dp[i−1][j],dp[i−1][j−c[i]+w[i])
-
需要注意的问题:
- 初始化的时候不初始化第0列,因为存在容量为0的物品。
- DP的本质是分治,即通过考虑是否将当前物品放入背包去划分子问题,但是这也得等到背包容量起码可以容纳该物品时才可以。所以,转移方程要分两种情况讨论。
- 这种情况,小心就好。入股数组不是从1开始,那么c[i],w[i]均改为c[i-1],w[i-1]
例题1
代码
#include <iostream>
#include <vector>
#include <cstring>
#include <algorithm>
#define MAX 1024
int w[MAX];
int c[MAX];
int dp[MAX][MAX];
int back_pack( int N, int V ){
std::memset( dp, 0, sizeof(dp) );
for(int i = 1; i <= N; ++i){
for( int j = 0; j <= V; ++j ){
if( j < c[i] )
dp[i][j] = dp[i-1][j];
else
dp[i][j] = std::max( dp[i-1][j], dp[i-1][j-c[i]] + w[i] );
}
}
return dp[N][V];
}
int main( void ){
int t = 0;
std::cin >> t;
while(t--){
int N,V;
std::cin >> N >> V;
for(int i = 1; i <= N; ++i){
std::cin >> w[i];
}
for(int i = 1; i <= N; ++i){
std::cin >> c[i];
}
int ans = back_pack(N, V);
std::cout << ans << std::endl;
}
return 0;
}
空间优化
int dp[MAX];
int back_pack( int N, int V ){
std::memset( dp, 0, sizeof(dp) );
for(int i = 1; i <= N; ++i){
for(int j = V; j >= 0; --j){
if( j < c[i] )
dp[j] = dp[j]; // dp[i][j] = dp[i-1][j]保持之前状态不变
else
dp[j] = std::max( dp[j], dp[j-c[i]] + w[i] ); // max( dp[i-1][j], dp[i-1][j-c[i]] + w[i] );
}
}
return dp[V];
}
对于上面代码,可以发现,保持状态不变处的代码可以省略。所以,代码进一步优化。
int dp[MAX];
int back_pack( int N, int V ){
std::memset( dp, 0, sizeof(dp) );
for(int i = 1; i <= N; ++i){
for(int j = V; j >= c[i]; --j){
dp[j] = std::max( dp[j], dp[j-c[i]] + w[i] ); // max( dp[i-1][j], dp[i-1][j-c[i]] + w[i] );
}
}
return dp[V];
}
例题2
题目:[背包问题]
小心上面说的第三点,数组下表不是从1开始的。
代码
class Solution {
public:
/**
* @param m: An integer m denotes the size of a backpack
* @param A: Given n items with size A[i]
* @return: The maximum size
*/
int backPack(int m, vector<int> A) {
// write your code here
int n = A.size();
vector<int> dp(m + 1, 0);
for(int i = 1; i <= n; ++i){
for(int j = m; j >= A[i-1]; --j){
dp[j] = max( dp[j], dp[j-A[i-1]] + A[i-1] );
}
}
return dp[m];
}
};
例题3
题目:[背包问题II]
代码
class Solution {
public:
/**
* @param m: An integer m denotes the size of a backpack
* @param A & V: Given n items with size A[i] and value V[i]
* @return: The maximum value
*/
int backPackII(int m, vector<int> A, vector<int> V) {
// write your code here
int n = A.size();
vector<int> dp(m+1, 0);
for(int i = 1; i <= n; ++i){
for(int j = m; j >= A[i-1]; --j){
dp[j] = max(dp[j], dp[j-A[i-1]] + V[i-1]);
}
}
return dp[m];
}
};
后记
背包问题又忘了,所以再次复习,和前面的内容有重合。
几个注意点:
- 初始化的时候要小心,只初始化第0行。考虑有容量为0的物品
- 小心下标不一致带来的问题。
class Solution {
public:
/**
* @param m: An integer m denotes the size of a backpack
* @param A: Given n items with size A[i]
* @return: The maximum size
*/
int backPack(int m, vector<int> A) {
// write your code here
int n = A.size();
vector<int> w(n+1);
vector<int> c(n+1);
for(int i = 0; i < n; ++i){
w[i+1] = A[i];
c[i+1] = A[i];
}
vector< vector<int> > dp(n+1, vector<int>(m+1, 0));
for(int i = 0; i <= m; ++i){
dp[0][i] = 0;
}
for(int i = 1; i <= n; ++i){
for(int j = 0; j <= m; ++j){
if( c[i] <= j )
dp[i][j] = max( dp[i-1][j], w[i] + dp[i-1][j-c[i]] );
else
dp[i][j] = dp[i-1][j];
}
}
return dp[n][m];
}
};
空间优化之后的版本:滚动数组
class Solution {
public:
/**
* @param m: An integer m denotes the size of a backpack
* @param A: Given n items with size A[i]
* @return: The maximum size
*/
int backPack(int m, vector<int> A) {
// write your code here
int n = A.size();
vector<int> w(n+1);
vector<int> c(n+1);
vector<int> dp(m+1, 0);
for(int i = 0; i < n; ++i){
w[i+1] = c[i+1] = A[i];
}
for(int i = 1; i <= n; ++i){
for(int j = m; j >= c[i]; --j){
dp[j] = max( dp[j], w[i] + dp[j - c[i]] );
}
}
return dp[m];
}
};
问题分析(完全背包)
和0-1背包类似,只不过每种物品有多种选择。
与01背包相同,完全背包也需要求出NV个状态F[i][j]。但是完全背包求F[i][j]时需要对k分别取0,…,j/C[i]求最大F[i][j]值,耗时为j/C[i]。那么总的时间复
杂度为O(NV∑(j/C[i]))
也就是每次放入物品时,要由于物品有多种选择,因此在容量允许的情况下,对多种选择都要试探。
for(i=1;i<=n;i++)
{
for(j=0;j<=m;j++)
{
for(k=0;k*need[i]<=j;k++) // 循环条件判断了容量是否充足
dp[i][j]=max(dp[i][j],dp[i-1][j-k*need[i]]+k*value[i]);
}
}
printf("%d\n",dp[n][m]);