本文转载自：https://blog.csdn.net/sinat_30973431/article/details/85119871
一、01背包
问题描述：给定n个物体（它们的重量为：w1，w2，......，wn，价值为：v1，v2，......，vn） 和 一个承受重量为W的背包，问怎么选取这些物体，放在背包中（不超过背包的承重），让所取的子集达到最大价值。
1、基本实现
首先，我们很自然想到穷举法，只要给出n个物体的所有组合（子集），分别各个子集的总价值，去掉那些总重量超过背包承重W的子集之后，对剩下的子集中找到总价值最大的那一个，就是我们想要的结果了。
但是，由于n各物体的有2^n个子集，所以上面的做法的时间复杂度将是O(2^n)，除非n很小，否则时间性能消耗非常严重。
我们换一种思路，如果物体有n-1个，在背包容量为0,1,2，......，W各个情况下所能得到的最大价值都已经知道，那么当我们多考虑一个物体，即物体有n个时，就可以分为两个情况进行考虑：（1）第n个物体不放进背包中；（2）第n个物体放进背包。
对于第一种情况，考虑n个物体，跟考虑n-1个物体没有区别，所以考虑n个物体的情况下，在一定承重量的背包中所能得到的最大价值等于只考虑n-1个物体在同等承重量的背包下所能得到的最大价值。
对于第二种情况，则最大价值 = 物体n的价值vn + 背包在剩余空间（W-wn）下只考虑n-1个物体所能达到的最大价值。
如下面递推式所示，
其中，F(i,j)表示前 i 个物体(1≤ i ≤n）在背包承重为 j 时，所能达到的最大价值。如果把它看成一个状态的话，那么也就是说，状态F(i,j)的值等于状态F(i-1,j)、状态F(i-1,j-wi)与vi之和 两者中的最大值。那么要求 i 个物体在一定承重背包中可取的最大价值，只需考虑 i-1 个物体在不同承重量（0，1， 2， ......，W）的背包下可取的最大价值。类似地，要想知道 i-1 个物体在一定承重的背包中可取的最大价值，只需知道 i-2 个物体在不同承重量的背包中可取的最大价值。以此类推，直到所考虑的物体个数变为 1 。
所以，只要我们知道物体个数为 1 时，在不同承重量的背包中所能取到的最大价值，就可以依次求物体个数为2,3，......，n的情况下在不同承重量的背包中所能取的最大价值。
初始条件为：i = 1 当 j ≥ w1时，F(1,j) = v1； 当 0≤ j ＜w1时，F(1,j) = 0.
知道了上面的递推式、初始条件，就可以写出01背包的代码了。
-
// 二维实现
-
-
public
class PkgTest {
-
public static void main(String[] args) {
-
//w[]：物品重量，v[]：物品价值，m：背包承重，n：物品个数，maxValue[][]：状态
-
int[] w = {
0,
10,
3,
4,
5};
//第一个数为0，是为了让输出时，i表示有i个物品
-
int[] v = {
0,
3,
4,
6,
7};
-
int m =
10;
-
int n =
4;
-
int[][] maxValue =
new
int[
5][
16];
-
-
// 01背包算法
-
for (
int i=
1; i<=n; i++) {
//第一个物体 是 第1行
-
for (
int j=
0; j<=m; j++) {
-
if (i >
0) {
-
maxValue[i][j] = maxValue[i-
1][j];
-
if (j >= w[i]) {
-
maxValue[i][j] = max(maxValue[i][j], maxValue[i-
1][j-w[i]] + v[i]);
-
//注：maxValue[i][j]其实就是maxValue[i-1][j] 因为上面的赋值
-
}
-
}
else {
//初始化，只考虑一个物体
-
if (j >= w[
1]) {
-
maxValue[
1][j] = v[
1];
-
}
-
}
-
}
-
}
-
-
System.out.println(
"4个物品在背包承重为10的情况下的组合的最大价值为："+maxValue[n][m]);
-
System.out.println();
-
-
// 打印背包的不同承重量
-
System.out.print(
" " +
"\t");
-
for (
int i=
0; i<=m; i++) {
-
System.out.print(i +
"\t");
-
}
-
System.out.println();
-
-
// 打印01背包算法 得到的状态矩阵值
-
for (
int i=
1; i<=n; i++) {
-
System.out.print(
"i="+ i +
"\t");
-
for (
int j=
0; j<=m; j++) {
-
System.out.print(maxValue[i][j]+
"\t");
-
}
-
System.out.println();
-
}
-
}
-
-
public static int max(int a, int b) {
-
if (a > b) {
-
return a;
-
}
-
return b;
-
}
-
}
结果如下图所示，
2、滚动数组实现
上面的基本实现时间复杂度为O(nW)，空间复杂度为O(nW)，事实上空间可以做优化。我们可以看到，第 i 层的状态至于第 i-1 层的状态有关，与第 i-2 层的状态没有直接关系，如下面的图所示，除了第一层的初始条件，其他每一层的状态值的求解依赖于上一层。
所以，我们可以用只有两行的二维数组 maxValue[2][ ] 来存储，如下面代码所示。
-
// 滚动数组实现
-
-
public
class PkgTest {
-
public static void main(String[] args) {
-
int[] w = {
0,
10,
3,
4,
5};
-
int[] v = {
0,
3,
4,
6,
7};
-
int m =
10;
-
int n =
4;
-
int k =
0;
// k的作用是指向数组的某一行（两行其中之一）,不能再用下标i来指定数组的行数了
-
int[][] maxValue =
new
int[
2][
16];
-
-
for (
int i=
1; i<=n; i++) {
-
for (
int j=
0; j<=m; j++) {
-
if (i >
1) {
-
k = i &
1;
// k = i % 2 获得滚动数组当前索引 k
-
maxValue[k][j] = maxValue[k^
1][j];
// k ^ 1 获得滚动数组逻辑上的“上一行”
-
if (j >= w[i]) {
-
maxValue[k][j] = max(maxValue[k][j], maxValue[k^
1][j-w[i]] + v[i]);
-
}
-
}
else {
-
if (j >= w[
1]) {
-
maxValue[
1][j] = v[
0];
-
}
-
}
-
}
-
}
-
-
System.out.println(
"4个物品在背包承重为10的情况下的组合的最大价值为："+maxValue[k][m]);
-
System.out.println();
-
-
System.out.print(
"i=0"+
"\t");
-
for (
int i=
0; i<=m; i++) {
-
System.out.print(maxValue[
1][i] +
"\t");
-
}
-
System.out.print(
"\ni=1"+
"\t");
-
for (
int i=
0; i<=m; i++) {
-
System.out.print(maxValue[
0][i] +
"\t");
-
}
-
}
-
-
public static int max(int a, int b) {
-
if (a > b) {
-
return a;
-
}
-
return b;
-
}
-
}
需要注意的是，代码中我们不再用下标 i 指向数组的索引，而是用 k 指向数组，k=0、k=1表示相邻的两行状态值，k=1不一定是k=0逻辑上的上一行，需要看具体情况（这个把整个过程画一下就知道了）。
初始化时，我们在标号为1的一行输入状态值。
当 i = 2 大于1时，
由于
此时 k = 0指向数组的另一行，我们通过 k ^ 1找到 k 逻辑上的“上一行”，并通过“上一行”算出本行中的状态值
以此类推，不断算出并刷新各行的状态值，直到最后两行。
运行结果如下所示，
3、一维数组实现
01背包还可以用一维数组实现，只不过此时的递推式 & 初始条件就需要做些改变了。要想用一维数组存放所有状态，也就是让该数组某个时间是第 i-1 层的状态，而过一段时间之后则成为第 i 层的状态。如下面所演示的，初始状态下，一维数组 maxValue[ ]存放的是 i = 1 时的状态值（对应上面的F[ 1 ][ j ]，j = 0，1，2，......，W）
而当 i = 2 时，我们就需要计算 第二行的状态值，并把它们覆盖到maxValue[ ]一维数组之上。
问题是怎么覆盖呢？如果我们还是跟二维数组一样从前往后遍历数组，覆盖的过程中某一时刻如下图所示，其中数组前面部分是属于 i=2 层的状态值，后面部分属于 i=1 层的状态值。
但是，当我们继续计算并写入 i=2 的状态值时，很有可能用到 i=1 的某个状态值，而这个状态值却已经被覆盖掉了，比如，我们计算 i=2 的maxValue[ 6 ]时，要找到 i=1 的 maxValue[ 3 ] 状态值，本来它应该为0，但却变成4，如果我们用4去计算
maxValue[ 6 ]，就会得到错误的结果。
事实上，我们覆盖的过程中，应该采用从后到前的顺序遍历。首先，改写maxValue[ W ]的值。
改写之后，原来maxValue[ W ]的值就由3变为4。接着，改写maxValue[ W-1 ]，由于计算 i=2 的maxValue[ W-1 ] 不需要用到 i=1 的maxValue[ W ]状态，所以，maxValue[ W ]的改动不影响maxValue[ W-1 ]的计算。
以此类推，就可以在原来的数组上面不断覆盖最新一层的状态值了。
上面的过程的递推式为：
初始条件为：i = 1 当 v≥ w1时，F(v) = v1； 当 0≤ j＜w1时，F(v) = 0.
代码实现如下，
-
// 一维数组
-
-
public
class PkgTest {
-
public static void main(String[] args) {
-
int[] w = {
0,
10,
3,
4,
5};
-
int[] v = {
0,
3,
4,
6,
7};
-
int m =
10;
-
int n =
4;
-
//int k = 0;
-
int[] maxValue =
new
int[
16];
-
-
for (
int i=
1; i<=n; i++) {
-
for (
int j=m; j>=w[i]; j--) {
-
maxValue[j] = max(maxValue[j], maxValue[j-w[i]] + v[i]);
-
}
-
-
//验证 结果和二维实现的输出结果完全一样
-
//for (int k=0; k<=m; k++) {
-
// System.out.print(maxValue[k] + "\t");
-
//}
-
//System.out.println();
-
}
-
-
System.out.println(
"4个物品在背包承重为10的情况下的组合的最大价值为："+maxValue[m]);
-
System.out.println();
-
-
for (
int i=
0; i<=m; i++) {
-
System.out.print(maxValue[i] +
"\t");
-
}
-
}
-
-
public static int max(int a, int b) {
-
if (a > b) {
-
return a;
-
}
-
return b;
-
}
-
}
运行结果如下所示，
4、小结
尽管滚动数组、一维数组能省一些空间，但是，这两种做法比较适合只求最大价值的需求。当需要输出最佳方案时，我们常常要回溯历史信息，这时，一般就只能用二维数组这种保存有各个状态值的方法了。
这里再稍微讲下滚动数组。事实上，我们可以在一些其它算法看到滚动数组的思想。比如，在斐波那契数列中，我们一般把各个斐波那契数存在一个数组中。但如果我们只需要打印一遍斐波那契数列，或者只需要计算某个斐波那契数时，我们可以只用三个变量（或者三个空间大小的数组），用前两个变量存放初始斐波那契数，然后两者相加之和放在第三个变量。不断地滚动下去，直到求得所需要的斐波那契数。
再比如，二叉树删除一个结点。我们通常让两个引用（或指针）一个指向某个结点，一个指向该节点的父节点。两个引用不断往树深处滚动，直到指向子节点的引用找到待删除节点。这时，我们就可以利用指向父节点的引用对其进行删除了。
二、完全背包
问题描述：完全背包是在01背包的基础上加了个条件——这n种物品都有无限的数量可以取，问怎样拿才可以实现价值最大化。
1、基本实现
虽然题意中每种有无限件，但这里有个隐藏条件：背包承重量的固定性导致每种最多只能取某个值，再多就放不下了，这个值就是W / wi。也就是说，对于第 i 种物品，它可以取0,1,2，......，W / wi（向下取整）件。而在01背包中，对于第 i 种物品，只能取0,1件。我们可以看到，01背包其实就是完全背包的一个特例。所以我们可以用类似01背包的思路写出完全背包的基本算法。
前面给出的01背包的状态转移方程也可以写成这种形式：
下面是基本实现的代码，
-
// 完全背包的基本实现
-
-
public
class CompleteTest {
-
public static void main(String[] args) {
-
int[] w = {
0,
10,
3,
4,
5};
-
int[] v = {
0,
3,
4,
6,
7};
-
int m =
10;
-
int n =
4;
-
int[][] maxValue =
new
int[
5][
16];
-
-
for (
int i=
1; i<=n; i++) {
-
for (
int j=
0; j<=m; j++) {
-
if (i >
1) {
-
maxValue[i][j] = maxValue[i-
1][j];
-
//if (j >= v[i]) {
-
// maxValue[i][j] = max(maxValue[i][j], maxValue[i-1][j-v[i]] + w[i]);
-
//}
-
if (j/w[i] >=
1) {
-
int maxTmp =
0;
-
// 对于i个物品，进行j/w[i]次比较得到最大值；而01背包中只需要进行1次比较
-
for (
int k=
1; k<=j/w[i]; k++) {
-
if (maxValue[i-
1][j-k*w[i]] + k*v[i] > maxTmp) {
-
maxTmp = maxValue[i-
1][j-k*w[i]] + k*v[i];
-
}
-
}
-
maxValue[i][j] = max(maxValue[i][j], maxTmp);
-
}
-
}
else {
-
//if (j >= v[0]) {
-
// maxValue[0][j] = w[0];
-
//}
-
if (j/w[
1] >=
1) {
-
maxValue[
1][j] = j/w[
1] * v[
1];
-
}
-
}
-
}
-
}
-
-
System.out.println(
"4个物品在背包承重为10的情况下的组合的最大价值为："+maxValue[n][m]);
-
System.out.println();
-
-
// 打印背包的不同承重量
-
System.out.print(
" " +
"\t");
-
for (
int i=
0; i<=m; i++) {
-
System.out.print(i +
"\t");
-
}
-
System.out.println();
-
-
// 打印01背包算法 得到的状态矩阵值
-
for (
int i=
1; i<=n; i++) {
-
System.out.print(
"i="+ i +
"\t");
-
for (
int j=
0; j<=m; j++) {
-
System.out.print(maxValue[i][j]+
"\t");
-
}
-
System.out.println();
-
}
-
}
-
-
public static int max(int a, int b) {
-
if (a > b) {
-
return a;
-
}
-
return b;
-
}
-
}
代码跟01背包的二维数组实现几乎一模一样，我们只需在01背包基本实现的代码中注释掉两段代码，再略微修改就变成完全背包的了。
运行结果如图所示，结果和01背包不同。
2、时间优化
基本实现中的时间复杂度为O(nW
3、空间优化
基本实现采用的是二维数组，事实上我们也可以用一维数组实现。完全背包的一维数组实现和01背包也是几乎完全相同，唯一差别是完全背包的内循环是正向遍历，而01背包的内循环是逆向遍历。
-
// 完全背包的一维数组实现
-
-
public
class CompleteTest2 {
-
public static void main(String[] args) {
-
int[] w = {
0,
10,
3,
4,
5};
-
int[] v = {
0,
3,
4,
6,
7};
-
int m =
10;
-
int n =
4;
-
int[] maxValue =
new
int[
16];
-
-
for (
int i=
1; i<=n; i++) {
-
//for (int j=m; j>=w[i]; j--) {
-
// 正序遍历； 01背包是逆序遍历
-
for (
int j=w[i]; j<=m; j++) {
-
maxValue[j] = max(maxValue[j], maxValue[j-w[i]] + v[i]);
-
}
-
-
//验证 结果和二维实现的输出结果完全一样
-
//for (int k=0; k<=m; k++) {
-
// System.out.print(maxValue[k] + "\t");
-
//}
-
//System.out.println();
-
}
-
-
System.out.println(
"4个物品在背包承重为10的情况下的组合的最大价值为："+maxValue[m]);
-
System.out.println();
-
-
for (
int i=
0; i<=m; i++) {
-
System.out.print(maxValue[i] +
"\t");
-
}
-
}
-
-
public static int max(int a, int b) {
-
if (a > b) {
-
return a;
-
}
-
return b;
-
}
-
}
运行结果如下，
三、多重背包
问题描述：多重背包是在01背包的基础上，加了个条件：第 i 件物品有ni件。
1、基本实现
我们考虑一下，如果所有ni都满足ni ≥ W / wi，那不就变成完全背包的问题了么。可见，完全背包的基本实现思路也可以应用到多重背包的基本实现。对于多重背包的基本实现，与完全背包是基本一样的，不同就在于物品的个数上界不再是v/c[i]而是n[i]与v/c[i]中较小的那个。所以我们要在完全背包的基本实现之上，再考虑这个上界问题。
代码实现如下所示，代码与完全背包的区别除了多了个表示物品个数的数组n[ ]之外，只在内循环的控制条件那里。
-
// 多重背包的基本实现
-
-
public
class MultipleTest {
-
public static void main(String[] args) {
-
int[] w = {
0,
10,
3,
4,
5};
-
int[] v = {
0,
3,
4,
6,
7};
-
//第i个物品对应的个数
-
int[] mount = {
0,
5,
1,
2,
1};
-
int m =
10;
-
int n =
4;
-
int[][] maxValue =
new
int[
5][
16];
-
-
for (
int i=
1; i<=n; i++) {
-
for (
int j=
0; j<=m; j++) {
-
if (i >
1) {
-
maxValue[i][j] = maxValue[i-
1][j];
-
if (j/w[i] >=
1) {
-
int maxTmp =
0;
-
//for (int k=1; k<=j/w[i]; k++) {
-
//多重背包与完全背包的区别只在内循环这里
-
for (
int k=
1; k<=j/w[i] && k<=mount[i]; k++) {
-
if (maxValue[i-
1][j-k*w[i]] + k*v[i] > maxTmp) {
-
maxTmp = maxValue[i-
1][j-k*w[i]] + k*v[i];
-
}
-
}
-
maxValue[i][j] = max(maxValue[i][j], maxTmp);
-
}
-
}
else {
-
if (j/w[
1] >=
1) {
-
maxValue[
1][j] = j/w[
1] * v[
1];
-
}
-
}
-
}
-
}
-
-
System.out.println(
"4个物品在背包承重为10的情况下的组合的最大价值为："+maxValue[n][m]);
-
System.out.println();
-
-
// 打印背包的不同承重量
-
System.out.print(
" " +
"\t");
-
for (
int i=
0; i<=m; i++) {
-
System.out.print(i +
"\t");
-
}
-
System.out.println();
-
-
// 打印01背包算法 得到的状态矩阵值
-
for (
int i=
1; i<=n; i++) {
-
System.out.print(
"i="+ i +
"\t");
-
for (
int j=
0; j<=m; j++) {
-
System.out.print(maxValue[i][j]+
"\t");
-
}
-
System.out.println();
-
}
-
}
-
-
public static int max(int a, int b) {
-
if (a > b) {
-
return a;
-
}
-
return b;
-
}
-
}
运行结果如下所示，
2、时间优化（通过二进制拆分转化为01背包问题）
待续
3、优先队列实现
待续
四、小结
本质上，完全背包是多重背包的一个特例：当n[i]都大于等于 V / c[i] 时，多重背包就变为完全背包问题了；01背包是完全背包的一个特例：当第i种物品由可以取0,1,2，...件变为只能取0,1件时（也就是从V / c[i] + 1 种状态 变为 2种状态），完全背包就变为01背包问题了。三者两两之间的关系有点像集合之间的包含关系。
<li class="tool-item tool-active is-like "><a href="javascript:;"><svg class="icon" aria-hidden="true"> <use xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="#csdnc-thumbsup"></use> </svg><span class="name">点赞</span> <span class="count">10</span> </a></li> <li class="tool-item tool-active is-collection "><a href="javascript:;" data-report-click="{"mod":"popu_824"}"><svg class="icon" aria-hidden="true"> <use xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="#icon-csdnc-Collection-G"></use> </svg><span class="name">收藏</span></a></li> <li class="tool-item tool-active is-share"><a href="javascript:;"><svg class="icon" aria-hidden="true"> <use xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="#icon-csdnc-fenxiang"></use> </svg>分享</a></li> <!--打赏开始--> <!--打赏结束--> <li class="tool-item tool-more"> <a> <svg t="1575545411852" class="icon" viewBox="0 0 1024 1024" version="1.1" xmlns="http://www.w3.org/2000/svg" p-id="5717" xmlns:xlink="http://www.w3.org/1999/xlink" width="200" height="200"><defs><style type="text/css"></style></defs><path d="M179.176 499.222m-113.245 0a113.245 113.245 0 1 0 226.49 0 113.245 113.245 0 1 0-226.49 0Z" p-id="5718"></path><path d="M509.684 499.222m-113.245 0a113.245 113.245 0 1 0 226.49 0 113.245 113.245 0 1 0-226.49 0Z" p-id="5719"></path><path d="M846.175 499.222m-113.245 0a113.245 113.245 0 1 0 226.49 0 113.245 113.245 0 1 0-226.49 0Z" p-id="5720"></path></svg> </a> <ul class="more-box"> <li class="item"><a class="article-report">文章举报</a></li> </ul> </li> </ul> </div> </div> <div class="person-messagebox"> <div class="left-message"><a href="https://blog.csdn.net/sinat_30973431"> <img src="https://profile.csdnimg.cn/F/B/3/3_sinat_30973431" class="avatar_pic" username="sinat_30973431"> <img src="https://g.csdnimg.cn/static/user-reg-year/1x/4.png" class="user-years"> </a></div> <div class="middle-message"> <div class="title"><span class="tit"><a href="https://blog.csdn.net/sinat_30973431" data-report-click="{"mod":"popu_379"}" target="_blank">JeremyChan1887</a></span> </div> <div class="text"><span>发布了73 篇原创文章</span> · <span>获赞 30</span> · <span>访问量 3万+</span></div> </div> <div class="right-message"> <a href="https://im.csdn.net/im/main.html?userName=sinat_30973431" target="_blank" class="btn btn-sm btn-red-hollow bt-button personal-letter">私信 </a> <a class="btn btn-sm bt-button personal-watch" data-report-click="{"mod":"popu_379"}">关注</a> </div> </div> </div>
4万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
