背包基础问题讲解

 

三星Bada开发者聚会报名中

                                      背包基础问题讲解

                                                    ----sifx_xu

[算法分析]：

 

对于背包问题，通常的处理方法是搜索or DP。

用递归来完成搜索，算法设计如下：

function make( i {处理到第i件物品} , j{剩余的空间为j}:integer) :integer;

初始时i=m , j=背包总容量

begin

if i:=0 then

make:=0;

if j>=wi then (背包剩余空间可以放下物品 i )

r1:=make(i-1,j-wi)+v[i]; (第i件物品放入所能得到的价值 )

r2:=make(i-1,j) (第i件物品不放所能得到的价值 )

make:=max{r1,r2}

end;

 

这个算法的时间复杂度是O(2^n)，我们可以做一些简单的优化。

优化思路：由于本题中的所有物品的重量均为整数，经过几次的选择后背包的剩余空间可能会相等，在搜索中会重复计算这些结点，所以，如果我们把搜索过程中计算过的结点的值记录下来，以保证不重复计算的话，速度就会提高很多。这是简单的"以空间换时间"。

思路转向DP：我们发现，由于这些计算过程中会出现重叠的结点，符合动态规划中子问题重叠的性质。

同时，可以看出如果通过第n次选择得到的是一个最优解的话，那么第n-1次选择的结果一定也是一个最优解。这符合动态规划中最优子问题的性质。

 

考虑用动态规划的方法来解决，这里的：

阶段是：在前n件物品中，选取若干件物品放入背包中；

状态是：在前n件物品中，选取若干件物品放入所剩空间为w的背包中的所能获得的最大价值；

决策是：第n件物品放或者不放；

由此可以写出动态转移方程：

我们用f[i,j]表示在前 i 件物品中选择若干件放在所剩空间为 j 的背包里所能获得的最大价值

 

f[i,j]=max{f[i-1,j-wi]+pi (j>=wi), f[i-1,j]}

 

这样，我们可以自底向上地得出在前m件物品中取出若干件放进背包能获得的最大价值，也就是f[m,w]