如果想了解更多内容,欢迎关注我的微信公众号:信息学竞赛从入门到巅峰。
上期我们介绍了01背包问题的问题模型和解决方法,今天我们来讲解一下01背包算法在空间上的优化方法。
先贴上代码:
for (int i = 1; i <= N; ++i)
for (int j = 0; j <= V; ++j)
if (j >= c[i])
f[i][j] = max(f[i - 1][j], f[i - 1][j - c[i]] + w[i]);
int ans = 0;
for (int j = 0; j <= V; ++j)
ans = max(ans, f[N][j]);
观察代码发现,f[i][j] 的求解其实只和 f[i-1][0...V] 有关。那么,其他的数据显然没有保存的意义,可以通过滚动数组优化。
优化之后代码如下:
for (int i = 1; i <= N; ++i)
for (int j = 0; j <= V; ++j)
if (j >= c[i])
f[i & 1][j] = max(f[(i & 1) ^ 1][j], f[(i & 1) ^ 1][j - c[i]] + w[i]);
int ans = 0;
for (int j = 0; j <= V; ++j)
ans = max(ans, f[N & 1][j]);
注意,此时f数组虽然还是二维数组,但是第一维的大小只有2。空间复杂度已经从O(NV)优化到O(V)了。那么,还能不能再优化呢?
答案是肯定的。
再次观察转移方程,我们发现,f[i][j]只和f[i-1][0...j]的值有关。那么,我们可以把第二重循环倒过来,并且将f[0][j]和f[1][j]合并。
什么意思呢?看一下这段代码。
for (int i = 1; i <= N; ++i)
for (int j = V; j >= 0; --j)
if (j >= c[i])
f[j] = max(f[j], f[j - c[i]] + w[i]);
int ans = 0;
for (int j = 0; j <= V; ++j)
ans = max(ans, f[j]);
第二重循环按照从大到小的顺序枚举,我们把大的先更新了,再来更新小的,显然是正确的。
通过以上的一顿操作,我们已经成功将01背包算法的空间复杂度从O(NV)优化成O(V),并且大大降低了编程复杂度。
下面,我们通过几道例题来熟悉一下01背包。(题目来源洛谷,侵删)
洛谷P1049
这是一道经典的背包问题。
用f[j]表示所用容量为j,能得到的最大价值。
转移方程显然:f[j]=max(f[j],f[j-c[i]]+w[i])。注意第二重循环要倒过来。
洛谷P1048
这道题是不是也很容易呢?
洛谷P1164
这道题的怎么和之前的不太一样呢???
这道题告诉我们,01背包是一种思想,而不是一个模板。
之前我们通过01背包求的都是最大值,这道题需要的是求放满背包的方案数。这二者之间有什么共同之处吗?
我们尝试改变f数组的意义。我们定义f[i][j]表示前i件物品,所占用空间为j的方案数。这时候,转移方程就呼之欲出了,显然只和当前物品选不选有关:
f[i][j] = f[i - 1][j] + f[i - 1][j - c[i]]
类似01背包,我们可以进行优化,降低空间复杂度:
f[j] = f[j] + f[j - c[i]] (边界:f[0] = 1)
注意优化之后第二重循环要倒过来哦。
代码如下:
#include <bits/stdc++.h>
using namespace std;
int n, m, x, f[10005];
int main () {
scanf ("%d%d", &n, &m);
f[0] = 1;
for (int i = 1; i <= n; ++i) {
scanf ("%d", &x);
for (int j = m; j >= x; --j)
f[j] += f[j - x];
}
printf ("%d\n", f[m]);
return 0;
}
总结,动态规划最重要的是随机应变,要仔细设计f数组的意义,转移方程要全面,才能避免漏算多算的问题。