1、0-1背包问题:
有 n 种物品和一个能承受最大重量为 c 的背包,物品 i 的重量为w[i],价值为v[i],求解将哪些物品装入背包可使这些物品的重量总和不超过背包容量,且价值总和最大。如果限定每种物品只能选择0个或1个,则问题称为0-1背包问题。
解题思路:
(1)构造一个m[n+1[c+1]的二位矩阵,m[i][j]表示在面对前 i 件物品时,且背包容量为 j 时能获取的最大价值。然后将该二维矩阵初始化为0.
(2)当求前 i ( i从1到n进行迭代) 件物品放入容量为 j 的背包的最大价值时:
如果第 i 件物品的重量比背包的容量 j 大,则不放第 i 件物品,此时问题转化为 “ 前 i-1 件物品放入容量为j的背包的最大价值 ”,表示为:
m[i][j] = m[i-1][j] 当 j < w[i]
如果第 i 件物品的重量比背包的容量 j 小,则第 i 件物品可以放进去,此时是选择放还是不放进去呢?如果放第 i 件物品,问题转化为 “ 前 i-1 件物品放入剩下的容量为 j-w[i] 的背包中获取的最大价值 ”,此时如果放进第 i 件物品后得到的价值(即:前 i-1 件物品放入剩下的容量为 j-w[i] 的背包中获取的最大价值 + 第 i 件物品的价值v[i])比不放第 i 件物品得到的前 i 件(此时已经变为前 i-1件)物品放入容量为 j 的背包中的最大价值大,则放入第 i 件物品,否则就不放入第 i 件物品,表示为:
m[i][j]=max( m[i-1][j],m[i-1][j-w[i]] + v[i] ) 当 j <= w[i]
(3)实例:n = 6, c = 12, w[ ] = { 0,4,6,2,2,5,1 }, v[ ] = { 0,8,10,6,3,7,2 }。
m[n+1][c+1]=0;
for (int i=1; i<n+1; i++)
{
for (int j =1; j<c+1; j++)
{
if ( j >= w[i] )
m[i][j] = max ( m[i-1][j],m[i-1] [ j - w[i] ] + v[i] ) ;
else
m[i][j] = m[i-1][j];
}
}
value = m[n][c];
如何知道该拿那些物品?
另起一个数组x[],x[i]=0表示没拿,x[i]=1表示拿了。m[n][c]为最优值,如果m[n][c] = m[n-1][c],说明有没有第n件物品都一样,则x[n]=0;否则x[n]=1。当x[n]=0时,由m[n-1][c]继续构造最优解;当x[n]=1时,由m[n-1][c-w[i]]继续构造最优解。依此类推可以构造出所有最优解。
int y = c;
x[n+1]=0;
for (int i = n; i>1; i--)
{
if ( m[i][y]==m[i-1][y] )
x[i] = 0;
else
{
x[i] = 1;
y -= w[i];
}
}
x[1] = ( m[1][y]>0 ) ? 1 : 0 ;
2、完全背包问题:
完全背包问题描述:有 n 种物品和一个能承受最大重量为 c 的背包,物品 i 的重量为w[i],价值为v[i],求解将哪些物品装入背包可使这些物品的重量总和不超过背包容量,且价值总和最大。
完全背包问题与0-1背包问题的区别在于每一件物品的数量都有无限个,而0-1背包每件物品数量只有一个。
(1)解题思路:
由于本问题类似于0-1背包问题,在0-1背包问题中,物品要么取,要么不取,而在完全背包中,物品可以取0件、取1件、 取2件、...、取c/w[i]件为止。因此,可以直接在0-1背包的递推式中扩展得到,只需要在选取第i件物品时增加一个循环,迭代c/w[i]次,计算出选取多少件第i种物品时可以获得最大价值。
1)初始化矩阵m[n+1][c+1],m[i][j]表示前i件物品放入容量为j的容量中时的最大收益 ;
2)选取第i件物品时的递推式:
f[i][j] = max(f[i - 1][j],f[i-1][j - k* w[i]] + k*v[i]) 其中 1 <= k * w[i] <= c
实例:n=6,c=12,w[]={0,4,6,2,2,5,1},v[]={0,8,10,6,3,7,2}。
m[n+1][c+1]={0}
for (int i = 1;i <= n;i++)
{
for (int j = 1;j <= c;j++)
{
m[i][j] = 0; # 初始化为0
for (int k = 0;k*w[i] <= j;k++) # 找出最大的f[i][j]
{
m[i][j] = max(m[i][j],m[i - 1] [j - k * w[i]] + k * v[i]);
}
}
}
return m[n][c];
复杂度分析:程序需要求解n*c个状态,每一个状态需要的时间为O(c/w[i]),总的复杂度为O(n*c*Σ(c/w[i]))。
(2)算法优化:
我们就通过一个三重循环实现了完全背包问题。由于k循环的最坏可能是从0循环到c,所以这个算法的时间复杂度为O(n*c*c),然而,这样并不够好。
有心的朋友可以自己根据流程画张表看看,认真分析的话不难发现这个算法中有很多多余的计算。 在m[i][j]中选择k个情况,和在m[i][j-w[i]]中选择k-1个的情况是相同的。 那么我们注意一下m[i][j]与m[i][j-w[i]]的关系,可以发现在求m[i][j]的值时,只需要直接从m[i][j-w[i]]和m[i-1][j]两个地方取值,并找出较大的那个就行了。 这样在计算m[i][j]时就不需要用到k循环了,下面给出改进的算法。
for (int i = 1; i < n; i++)
{
for (int j = 1; j <= c; j++)
{
if (j < w[i])
m[i][j] = m[i-1][j];
else
m[i][j] = max(m[i-1][j],m[i][ j-w[i] ]+v[i]);
}
}return m[n][c];
这样就将时间复杂度降低到了O(n*W)。
3、多重背包问题:
多重背包问题描述:有 n 种物品和一个能承受最大重量为 c 的背包,物品 i 的重量为w[i],价值为v[i],个数为num[i],求解将哪些物品装入背包可使这些物品的重量总和不超过背包容量,且价值总和最大。
多重背包和0-1背包、完全背包的区别:多重背包中每个物品的个数都是给定的,可能不是一个,绝对不是无限个。解题思路:
多重背包问题和完全背包问题很类似,只不过对于物品i,可以取0件、1件、...、min{num[i] , c/w[i]}件,因此只需要在完全背包问题的基础上做以下改进,迭代次数改为min{c/w[i] , num[i] }件即可。
1)初始化矩阵m[n+1][c+1],m[i][j]表示前i件物品放入容量为j的容量中时的最大收益 ;
2)选取第i件物品时的递推式:
f[i][j] = max(f[i - 1][j],f[i-1][j - k* w[i]] + k*v[i]) 其中 1 <= k <=min{c/w[i] , num[i]}
实例:n=6,c=12,w[]={0,4,6,2,2,5,1},v[]={0,8,10,6,3,7,2},num[]={0,4,3,2,3,1,4}
m[n+1][c+1]={0}
for (int i = 1;i <= n;i++)
{
for (int j = 1;j <= c;j++)
{
int count = min(num[i], c/w[i]);
m[i][j] = m[i-1][j];
for(int k = 1; k <= count; k++)
{
int temp = f[i-1][j-w[i]*k] + k*v[i];
if(temp >= m[i][j])
m[i][j] = temp;
}
}
}
return m[n][c];
复杂度分析:程序需要求解n*c个状态,每一个状态需要的时间为O(Σnum[i]),总的复杂度为O(n*c*Σnum[i]))。