描述
给你一个可装载重量为W
的背包和N
个物品,每个物品有重量和价值两个属性。其中第i
个物品的重量为w[i]
,价值为v[i]
,现在让你用这个背包装物品,最多能装的价值是多少?
这是最基础的背包问题,特点是:每种物品仅有一件,可以选择放或不放。
题目就是这么简单,一个典型的动态规划问题。这个题目中的物品不可以分割,要么装进包里,要么不装,不能说切成两块装一半。这就是 0-1 背包这个名词的来历。
解决这个问题没有什么排序之类巧妙的方法,只能穷举所有可能,根据我们「动态规划详解」中的套路,直接走流程就行了。
动规标准套路
第一步要明确两点,「状态」和「选择」。
先说状态,如何才能描述一个问题局面?只要给几个物品和一个背包的容量限制,就形成了一个背包问题呀。所以状态有两个,就是「背包的容量」和「可选择的物品」。
再说选择,也很容易想到啊,对于每件物品,你能选择什么?选择就是「装进背包」或者「不装进背包」嘛。
明白了状态和选择,动态规划问题基本上就解决了,只要往这个框架套就完事儿了:
for 状态1 in 状态1的所有取值:
for 状态2 in 状态2的所有取值:
for ...
dp[状态1][状态2][...] = 择优(选择1,选择2...)
PS:此框架出自历史文章 团灭 LeetCode 股票问题。
第二步要明确 dp 数组的定义。
首先看看刚才找到的「状态」,有两个,也就是说我们需要一个二维dp
数组。
dp[i][w]
的定义如下:对于前i
个物品,当前背包的容量为w
,这种情况下可以装的最大价值是dp[i][w]
。
比如说,如果dp[3][5] = 6
,其含义为:对于给定的一系列物品中,若只对前 3 个物品进行选择,当背包容量为 5 时,最多可以装下的价值为 6。
PS:为什么要这么定义?便于状态转移,或者说这就是套路,记下来就行了。建议看一下我们的动态规划系列文章,几种套路都被扒得清清楚楚了。
根据这个定义,我们想求的最终答案就是dp[N][W]
。base case 就是dp[0][..] = dp[..][0] = 0
,因为没有物品或者背包没有空间的时候,能装的最大价值就是 0。
细化上面的框架:
int dp[N+1][W+1]
dp[0][..] = 0
dp[..][0] = 0
for i in [1..N]:
for w in [1..W]:
dp[i][w] = max(
把物品 i 装进背包,
不把物品 i 装进背包
)
return dp[N][W]
第三步,根据「选择」,思考状态转移的逻辑。
简单说就是,上面伪码中「把物品 i 装进背包」和「不把物品 i 装进背包」怎么用代码体现出来呢?
这就要结合对 dp 数组的定义和我们的算法逻辑来分析了:
先重申一下刚才我们的 dp 数组的定义:
dp[i][w]
表示:对于前i
个物品,当前背包的容量为w
时,这种情况下可以装下的最大价值是dp[i][w]
。
如果你没有把这第i
个物品装入背包,那么很显然,最大价值dp[i][w]
应该等于dp[i-1][w]
,继承之前的结果。
如果你把这第i
个物品装入了背包,那么dp[i][w]
应该等于dp[i-1][w - w[i-1]] + v[i-1]
。
首先,由于i
是从 1 开始的,所以 v 和 w 的索引是i-1
时表示第i
个物品的价值和重量。
而dp[i-1][w - w[i-1]]
也很好理解:你如果装了第i
个物品,就要寻求剩余重量w - w[i-1]
限制下的最大价值,加上第i
个物品的价值v[i-1]
。
综上就是两种选择,我们都已经分析完毕,也就是写出来了状态转移方程,可以进一步细化代码:
for i in [1..N]:
for w in [1..W]:
dp[i][w] = max(
dp[i-1][w],
dp[i-1][w - w[i-1]] + v[i-1]
)
return dp[N][W]
最后一步,把伪码翻译成代码,处理一些边界情况。
//wt和val的长度都为N
int knapsack(int W, int N, LinkedList<Integer> wt, LinkedList<Integer> val) {
// base case
int[][] dp = new int[N + 1][W + 1];
for (int i = 1; i <= N; i++) {
for (int w = 1; w <= W; w++) {
if (w - wt.get(i-1) < 0) {
// 这种情况下只能选择不装入背包
dp[i][w] = dp[i - 1][w];
} else {
// 装入或者不装入背包,择优
dp[i][w] = Math.max(dp[i - 1][w - wt.get(i-1)] + val.get(i-1),
dp[i - 1][w]);
}
}
}
return dp[N][W];
}
优化方法
由于dp[i][v]
是二维的,所以我们可以使用 二维数组 实现,时间复杂度和空间复杂度均为 O(nV)
。伪代码如下:
int knapsack2(int W, int N, int[] wt, int[] val) {
//现在dp[i]是在重量<=i的情况下的最大价值
int[] dp = new int[N + 1];
for (int i = 1; i <= N; i++) {
for (int w = W; w >= wt[i - 1]; w--) {
dp[w] = Math.max(dp[w - wt[i-1]] + val[i-1], dp[w]);
}
}
return dp[W];
}
为什么能这样优化呢?这里理解起来比较困难,希望你集中注意力,我们来一起分析一下。
首先,在优化前,根据代码来看,二维数组是这样填满的:
二维数组转换为一维数组大致示意图如下:
在二维数组中,每一行的数据都是由上一行得到的,我们把它变成一维数组,二维数组的上一行数据就是它当前状态。