【基础】01背包优化及应用。

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。