hihoCode----背包问题

0-1背包问题

且说上一周的故事里，小Hi和小Ho费劲心思终于拿到了茫茫多的奖券！而现在，终于到了小Ho领取奖励的时刻了！

小Ho现在手上有M张奖券，而奖品区有N件奖品，分别标号为1到N，其中第i件奖品需要need(i)张奖券进行兑换，同时也只能兑换一次，为了使得辛苦得到的奖券不白白浪费，小Ho给每件奖品都评了分，其中第i件奖品的评分值为value(i),表示他对这件奖品的喜好值。现在他想知道，凭借他手上的这些奖券，可以换到哪些奖品，使得这些奖品的喜好值之和能够最大。
解题思路：枚举2^N种可能的选取方案，先计算他们需要的奖券之和sum，在sum不超过M的情况下，计算他们的喜好值之和value，并统计一个最优的方案，也就是value的最大值。时间复杂度O(2^N)，暴力方法不可取。考虑动态规划。
首先，我们要想办法把我们现在遇到的问题给抽象化。以best(i, j)表示已经决定了前i件物品是否选取，当前已经选取的物品的所需奖券数总和不超过j时，能够获取的最高的喜好值的和。对于任意i>1, j，我们都可以知道best(i, j)=max{best(i-1, j-need(i)) + value(i), best(i - 1, j)}。
检验一下这个问题的定义方法是否拥有动态规划所需要的两种性质：重复子问题和无后效性。
首先看重复子问题——这是动态规划之所以比搜索高效的原因，如果最后四件奖品分别为所需奖券为1，喜好值为1、所需奖券为2，喜好值为2、所需奖券为3，喜好值为3、所需奖券为4，喜好值为4的四个奖品，那么无论是选择1、4还是2、3，都会要求解best(N-4, M-5)这样一个子问题，而这个子问题只需要求解一次就能够进行计算，所以重复子问题这一性质是满足的。
其次再看无后效性……同样的，如果分别有所需奖券为1，喜好值为1、所需奖券为2，喜好值为2、所需奖券为3，喜好值为3、所需奖券为4，喜好值为4的四个奖品，那么无论是选取第1个和第4个，还是选取第2个和第3个，他们的所需奖券数都为5，喜好值之和都为5。所以我只需要知道best(4, 5)=5就够了，它为什么等于5对我而言没有区别，不会对之后的决策产生影响。这就是无后效性，所以想来也是满足的。
那么接下来要考虑的是如何使用best(i, j)=max{best(i-1, j-need(i)) + value(i), best(i - 1, j)}来求解每一个best(i, j)了。我们定义一个问题A依赖于另一个问题B当且仅当求解A的过程中需要事先知道B的值，那么我们很容易的发现best(i, j)是依赖于best(i-1, j-need(i))和best(i-1, j)两个问题的，也就是说这两个问题要先于best(i, j)进行求解。所以我们只要按照i从小到大的顺序，以这样的方式进行计算，就可以了。
时间复杂度已经优化到O(NM)。接下来优化空间复杂度。
按照上面的思路，需要开一个N * M大小的二维数组best，来记录求解出的best值。但是我们在计算i的时候只需要i-1的数据，所以空间可以优化到2*M。进一步，只需要开一个M大小的一维数组就可以了。如果我按照j从M到1的顺序，也就是跟之前相反的顺序来进行计算的话。另外根据我们的状态转移方程，可以显然得出如果状态(iA, jA)依赖于状态(iB, jB)，那么肯定有iA = iB+1, jA>=jB。所以不难得出一个结论：我在计算best(i, j)的时候，因为best(i, j+1..M)这些状态已经被计算过了，所以意味着best(i - 1, k)，k=j..M这些值都没有用了——所有依赖于他们的值都已经计算完了。于是它们原有的存储空间都可以用来存储别的东西，所以我不仿直接就将best(i, j)的值存在best(i-1, j)原有的位置上。

import java.util.*;

public class Main {
    public static void main(String[] args) {
        Scanner cin = new Scanner(System.in);
        while(cin.hasNext()) {
            int N = cin.nextInt(); // N个奖品
            int M = cin.nextInt(); // M张劵
            int[] need = new int[N+1];
            int[] value = new int[N+1];
            for(int i=1; i<=N; i++) {
                need[i] = cin.nextInt();
                value[i] = cin.nextInt();
            }

            int[] f = new int[M+1];
            for(int i=1; i<=N; i++) {
                for(int j=M; j>=0; j--) {
                    if(j >= need[i]) {
                        f[j] = Math.max(f[j], f[j-need[i]] + value[i]);
                    }
                }
            }
            System.out.println(f[M]);
        }
    }
}

完全背包问题

且说之前的故事里，小Hi和小Ho费劲心思终于拿到了茫茫多的奖券！而现在，终于到了小Ho领取奖励的时刻了！

等等，这段故事为何似曾相识？这就要从平行宇宙理论说起了………总而言之，在另一个宇宙中，小Ho面临的问题发生了细微的变化！

小Ho现在手上有M张奖券，而奖品区有N种奖品，分别标号为1到N，其中第i种奖品需要need(i)张奖券进行兑换，并且可以兑换无数次，为了使得辛苦得到的奖券不白白浪费，小Ho给每件奖品都评了分，其中第i件奖品的评分值为value(i),表示他对这件奖品的喜好值。现在他想知道，凭借他手上的这些奖券，可以换到哪些奖品，使得这些奖品的喜好值之和能够最大。
思路：按照01背包的想法，我可以使用best(i, j)表示已经决定了前i件物品每件物品选择多少件，当前已经选取的物品的所需奖券数总和不超过j时，能够获取的最高的喜好值的和，那么最终的答案便是best(N, M)。对于一个问题best(i, j)，考虑最后一步——即第i件物品选择多少件，不妨就假设选择k件吧，那么k的取值范围肯定是在0~(j / need(i))这个范围内。这个时候我们可以知道best(i - 1, j - need(i) * k) + value(i) * k将会是一种可能的方案。best(i, j) = max(best(i - 1, j - need(i) * k) + value(i) * k)，0 <= k <= j / need(i)。我们可以进一步将子结构最优化。将子问题细化到选择第i件物品的每一件，比如我们在选择第i件物品的k件的时候，是可以利用第i件物品的k-1件的信息的。于是，best(i, j) = max(best(i-1, j), best(i, j - need(i)) + value(i))。第一种情况是一件第i件都不选，第二种情况是在i件已经选了k-1的基础上再选一件i。
和0-1背包问题类似，为了优化空间复杂度，我们将j按照从0到M的顺序遍历即可。可以发现，代码与0-1背包问题的唯一区别只有一行。

import java.util.*;

public class Main {
    public static void main(String[] args) {
        Scanner cin = new Scanner(System.in);
        while(cin.hasNext()) {
            int N = cin.nextInt();
            int M = cin.nextInt();
            int[] need = new int[N+1];
            int[] value = new int[N+1];
            for(int i=1; i<=N; i++) {
                need[i] = cin.nextInt();
                value[i] = cin.nextInt();
            }

            int[] f = new int[M+1];
            for(int i=1; i<=N; i++) {
                for(int j=0; j<=M; j++) {
                    if(need[i] <= j) {
                        f[j] = Math.max(f[j], f[j-need[i]]+value[i]);
                    }
                }
            }
            System.out.println(f[M]);
        }
    }
}