动态规划 01背包完全背包多重背包

最新推荐文章于 2022-11-28 15:34:58 发布

进击ing小白

最新推荐文章于 2022-11-28 15:34:58 发布

阅读量278

点赞数

分类专栏：数据结构c++

本文链接：https://blog.csdn.net/WSTONECH/article/details/83870917

版权

数据结构c++ 专栏收录该内容

7 篇文章 0 订阅

订阅专栏

概念

1、动态规划（DP）

a,动态规划（Dynamic Programming，DP）与分治区别在于划分的子问题是有重叠的（不独立），
解过程中对于重叠的部分只要求解一次，记录下结果，其他子问题直接使用即可，减少了重复计算过程。
b,DP在求解一个问题最优解的时候，不是固定的计算合并某些子问题的解，
而是根据各子问题的解的情况选择其中最优的。

2、动态规划求解具有以下的性质：

a、最优子结构性质、子问题重叠性质　　
b、最优子结构性质：最优解包含了其子问题的最优解，不是合并所有子问题的解，而是找最优的一条解线路，选择部分子最优解来达到最终的最优解。
c、子问题重叠性质：先计算子问题的解，再由子问题的解去构造问题的解（由于子问题存在重叠，把子问题解记录下来为下一步使用，这样就直接可以从备忘录中读取）。其中备忘录中先记录初始状态。

3、求解思路

①、将原问题分解为子问题（子问题和原问题形式相同，且子问题解求出就会被保存）；
②、确定状态：01背包中一个状态就是个物体中第个是否放入体积为背包中；
③、确定一些初始状态（边界状态）的值；
④、确定状态转移方程，如何从一个或多个已知状态求出另一个未知状态的值。（递推型）

01背包问题求解思路

①、确认子问题和状态
   01背包问题需要求解的就是，为了体积V的背包中物体总价值最大化，件物品中第件应该放入背包中吗？
   为此，我们定义一个二维数组，其中每个元素代表一个状态，即前个物体中若干个放入体积为背包中
   最大价值。数组为：f,其中f[i][j]表示前i件中若干个物品放入体积j为的背包中的最大价值。
②、初始状态
   初始状态为和都为0，前者i=0表示前0个物品（也就是空物品）无论装入多大的包中总价值都为0，
   后者j=0表示体积为0的背包啥价值的物品都装不进去。
③、转移函数

   if (背包体积j小于物品i的体积)
   f[i][j] = f[i-1][j] //背包装不下第i个物体，目前只能靠前i-1个物体装包
   else
   f[i][j] = max(f[i-1][j], f[i-1][j-Vi] + Wi)
   Vi表示第i件物体的体积，Wi表示第i件物品的价值。
   这样f[i-1][j]代表的就是不将这件物品放入背包，而f[i-1][j-Vi] + Wi则是代表将第i件放入背包之后的总价值
   比较两者的价值，得出最大的价值存入现在的背包之中。

初始化
“恰好装满背包”时的最优解与没有要求必须把背包装满。

要求恰好装满背包，那么在初始化时除了f[0]为0其它f[1..V]均设为-∞，这样就可以保证最终得到的f[N]是一种恰好装满背包的最优解。

如果并没有要求必须把背包装满，而是只希望价格尽量大，初始化时应该将f[0..V]全部设为0。

可以这样理解：初始化的f数组事实上就是在没有任何物品可以放入背包时的合法状态。如果要求背包恰好装满，那么此时只有容量为0的背包可能被价值为0的nothing“恰好装满”，其它容量的背包均没有合法的解，属于未定义的状态，它们的值就都应该是-∞了。
如果背包并非必须被装满，那么任何容量的背包都有一个合法解“什么都不装”，这个解的价值为0，所以初始时状态的值也就全部为0了。

这个小技巧完全可以推广到其它类型的背包问题。

二维数组和一维数组实现01背包问题：

#define MINUSINF  0x80000000
int max(int a, int b)
{
	return a < b ? b : a;
}

void dp_2dArrey_01(int f[6][13],int Cost[], int dem_cost,int V[],int bagV)
{
	for (int i = 1; i < dem_cost; i++)//数组作为参数传递给函数的只是数组首元素的地址，数据还是在内存里的，
		//函数在需要用到后面元素时再按照这个地址和数组下标去内存查找。也就是说后面的元素根本没到函数里来。所以，这里也不能在函数内部用sizeof求数组的大小，必须在外面算好了再传进来。
	{
		for (int j = 1; j <= bagV; j++)//j表示背包容量，当容量增大到最大，
		{
			if (j < V[i])
				f[i][j] = f[i - 1][j];//前一个最优解
			else
				f[i][j] = max(f[i - 1][j], f[i - 1][j - V[i]] + Cost[i]);
			cout << f[i][j] << " ";
		}
		cout << endl;
	}
	cout << f[5][12] << endl;
}

//设 f[v]表示重量不超过v公斤的最大价值， 则f[v]=max(f[v]，f[v-w[i]]+c[i]) ，当v>=w[i]，1<=i<=n 。
void dp_1dArrey_01(int f[], int Cost[], int dem_cost, int V[], int bagV,bool full)
{
	int i, j;
	if (full)
	{
		f[0] = 0;
		for (i = 1; i < bagV+1; i++)
			f[i] = MINUSINF;
	}
	else
	   memset(f, bagV, 0);
    for (int i = 1; i <dem_cost; i++)
   {
		/*for (int j = bagV; j >= 0; j--)  //注意是逆序 否则会i状态会覆盖i-1状态后面的值，逆序，覆盖后面无所谓
			if(j>=V[i])				//只有j大于V[j]时下面才有意义，否则f[j]空转
				f[j] = max(f[j], f[j - V[i]] + Cost[i]);
				*/
		for (int j = bagV; j >= V[i]; j--)  
			f[j] = max(f[j], f[j - V[i]] + Cost[i]);
    }
	cout << f[bagV] << endl;
}

完全背包问题

//完全背包问题和01背包问题一样，但是每个物品=可以无限次的取
/*
完全背包在选第i种物品时，容积够用情况下，可能有2种以上状态可选，放1个，或者2个，3个，或者不放。找出最大价值的选择

可以利用k = j/weight[i]算出最多可以放几个，然后状态转移方程改为 V[i][j] = max(V[i - 1][j - k*weight[m]] + k * value[i]) 从0到k遍历一遍求出最大值即可

void dp_1dArrey_full_1(int f[], int Cost[], int dem_cost, int V[], int bagV, bool full)
{
	int i, j;
	if (full)
	{
		f[0] = 0;
		for (i = 1; i < bagV + 1; i++)
			f[i] = MINUSINF;
	}
	else
		memset(f, bagV, 0);
	for (int i = 1; i <dem_cost; i++)
	{
		for (int j = bagV; j >= V[i]; j--)  	//跟01背包一样，也是从右向左更新数据，因为更新时候需要上次循环左边的数据
		{
			int k = j / V[i];	//如果能放下，要看看能放几个，然后放几个跟不放所有情况比一下看哪个价值最大
			for (int m = 0; m <= k; m++)
			{
				f[j] = max(f[j - m * V[i]] + m * Cost[i], f[j]);
			}
		}
	}
	cout << f[bagV] << endl;
}

完全背包问题代码优化：

和01背包问题代码一样，只是第二层for循环顺序

因为01背包一个物品放进去后就不能再用了，而完全背包还可以利用，
//所以当前这一次对某个物品做出选择后还可以继续选择，也就是说还可以再放第2个该物品，第三个，等等，
//所以完全背包每次做出选择是取决于当前这一步的，而01背包每次做出选择是取决于上一步(i-1)状态。
//主要就是因为当前这一步一个物品放过以后，表格逐渐向右填写，随着可放空间的增加，可以判断这一步是否还可以再放一个当前的物品。
//跟前面那个求出当前可放的最大物品数，然后从0个放到最大个，本质是一样的。

void dp_1dArrey_full_2(int f[], int Cost[], int dem_cost, int V[], int bagV, bool full)
{
	int i, j;
	if (full)
	{
		f[0] = 0;
		for (i = 1; i < bagV + 1; i++)
			f[i] = MINUSINF;
	}
	else
		memset(f, bagV, 0);
	for (int i = 1; i <dem_cost; i++)
	{
		for (int j = V[i]; j <= bagV; j++)//和01背包完全一样，只是顺序而已，因为只与当前状态有关，不在乎覆盖几次
			f[j] = max(f[j], f[j - V[i]] + Cost[i]);
	}
	cout << f[bagV] << endl;
}

多重背包问题：

//相对于完全背包，每个物品的数量是有限的
//我们可以得出状态转移方程：f[i][v] = max(f[i - 1][v - k*w[i]] + k*c[i] | 0 <= k <= n[i])

void dp_1dArrey_many(int f[], int Cost[], int dem_cost, int V[],int num[], int bagV, bool full)
{
	int i, j;
	if (full)
	{
		f[0] = 0;
		for (i = 1; i < bagV + 1; i++)
			f[i] = MINUSINF;
	}
	else
		memset(f, bagV, 0);
	for (int i = 1; i <dem_cost; i++)
	{
		for (int j = bagV; j >= V[i]; j--)  	//跟01背包一样，也是从右向左更新数据，因为更新时候需要上次循环左边的数据
		{
			for (int k = 0; k <= num[i]; k++)
			{
				f[j] = max(f[j - k* V[i]] + k * Cost[i], f[j]);
			}
		}
	}
	cout << f[bagV] << endl;
}

测试程序：

int main()
{
	int f[6][13] = { { 0 } };
	int Cost[6] = { 0 , 2 , 5 , 3 , 10 , 4 };  //花费
	int V[6] = { 0 , 1 , 3 , 2 , 6 , 2 }; //物体体积
	int num[6] = { 0,1,2,3,4,5 };
	int bagV = 12;
	cout << "二维数组01背包问题解，不一定装满" << endl;
	dp_2dArrey_01(f, Cost,6,V,bagV);
	int f2[13];
	cout << "一维数组01背包问题解，恰好装满" << endl;
	dp_1dArrey_01(f2, Cost, 6, V, bagV,true);
	cout << "一维数组完全背包问题解，恰好装满，代码未优化" << endl;
	dp_1dArrey_full_1(f2, Cost, 6, V, bagV, true);
	cout << "一维数组完全背包问题解，恰好装满，代码优化" << endl;
	dp_1dArrey_full_2(f2, Cost, 6, V, bagV, true);
	cout << "一维数组多重背包问题解，不一定装满" << endl;
	dp_1dArrey_many(f2, Cost, 6, V,num, bagV, false);
	return 0;
}