题目
给定一组物品大小及其对应的价值,求背包大小固定的小偷能获得的最大收益是多少
思路
贪心不能保证收益最大
动态规划递推式:
c[i, w]表示到第i个物品为止,在总空间为w的情况下,能得到的最优解(选或者不选第i个物品)
创建二维数组来表示c[i,w],其中i最大值为物品个数,w最大值为背包总大小,起始值为0,因此是一个(n+1)*(w+1)的二维数组。
代码
def packege(v,w,m,n):
# v价值,w物品大小,m背包大小,n物品个数
res = [[0 for i in range(m)]for i in range(n)]
for i in range(1, n+1):
for j in range(1, m+1):
if w[i] <= j:
res[i][j] = max(res[i-1][j-w[i]]+v[i], res[i-1][j])
else:
res[i][j] = res[i-1][j]
return res[-1][-1]
改进
每一次V(i)(j)改变的值只与V(i-1)(x) {x:1…j}有关,V(i-1)(x)是前一次i循环保存下来的值;因此,可以将V缩减成一维数组,从而达到优化空间的目的。
只用一维数组[0,…,m]来实现上面的递推表达式,也就是在第i次循环结束时,数组中存储的是二维数组的[i][0,…,w,…,m]
每一次推导V(i)(j)是通过V(i-1)(j-w(i))来推导的,所以一维数组中j的扫描顺序应该从大到小(capacity到0),否者前一次循环保存下来的值将会被修改,从而造成错误。因此要逆序遍历数组。
优化后空间复杂度降为O(m),时间复杂度还是O(n*m)
def packege2(v,w,m,n):
res = [0]*(m+1)
for i in range(1,n+1):
for j in range(m,0,-1):
if w[i] <= j:
res[j] = max(res[j], res[j-w[i]]+v[i])
return res[-1]
再次优化
for i in range(1,n+1):
for j in range(m,w[i]-1,-1): # 放不下就不用更新了
res[j] = max(res[j], res[j-w[i]]+v[i])