有限制的背包问题

为了解决这个问题，我们可以使用一种称为“二进制优化”的方法，将每种物品的数量限制转换为二进制形式，这样可以将多重背包问题转化为0-1背包问题，从而可以使用动态规划来解决。

以下是C++代码实现：

#include <iostream>
#include <vector>
#include <algorithm>

using namespace std;

// 定义一个结构体来存储物品的信息
struct Item {
    int value;
    int weight;
    int count; // 数量限制
};

int main() {
    int N, W;
    cin >> N >> W;

    vector<Item> items;
    for (int i = 0; i < N; ++i) {
        int v, w, m;
        cin >> v >> w >> m;
        // 将每种物品的数量限制转换为二进制形式
        for (int k = 1; k <= m; k <<= 1) {
            items.push_back({v * k, w * k, k});
            m -= k;
        }
        if (m > 0) {
            items.push_back({v * m, w * m, m});
        }
    }

    // 动态规划数组，dp[i] 表示容量为i时的最大价值
    vector<int> dp(W + 1, 0);

    // 遍历所有物品
    for (const auto& item : items) {
        for (int j = W; j >= item.weight; --j) {
            // 更新背包容量为j时的最大价值
            dp[j] = max(dp[j], dp[j - item.weight] + item.value);
        }
    }

    // 输出最大价值
    cout << dp[W] << endl;

    return 0;
}
Copy

这段代码首先读取物品的数量N和背包的容量W，然后读取每个物品的价值、重量和限制，并将每种物品的数量限制转换为二进制形式。接着，它使用一个一维数组dp来存储在不同背包容量下的最大价值。对于每种物品，它都会尝试不同的数量，并更新背包容量从0到W的所有可能情况下的最大价值。最后，它输出在背包容量为W时的最大价值。

这种方法的时间复杂度是O(N * logM * W)，其中N是物品的数量，M是每种物品的数量限制，W是背包的容量。