【深度】动态规划解决背包类问题

动态规划(dynamic programming)是运筹学的一个分支，是求解决策过程(decision process)最优化的数学方法

1 原理

问题的最优解如果可以由子问题的最优解推导得到，则可以先求解子问题最优解，再构造原问题的最优解；若子问题有较多的重复出现，则可以自底向上从最终子问题向原问题逐步求解

动态规划在经济管理、生产调度、工程技术和最优控制等方面得到了广泛的应用。例如最短路线、库存管理、资源分配、设备更新、排序、装载等问题，用动态规划方法比用其它方法求解更为方便。比如背包问题（Knapsack problem）、最长公共子串（LCS）等

2 背包问题

一个小偷背了一个背包潜进了金店，包就那么大，他如果保证他背出来所有物品加起来的价值最大，这就是背包问题的来源，背包问题分为01背包问题和完全背包问题

① 0-1背包问题：在最优解中，每个物品只有两种可能的情况，即在背包中或者不在背包中（背包中的该物品数为0或1）

② 完全背包问题：在放入物品时，不限定每个物品的数量，即是完全背包问题

3 问题抽象

现实问题解决的一个关键问题，就是抽象数据模型
① $n$个数对$(w_i,v_i)，0\le i\le n$
② 正数$C$
③ 条件函数 m a x ∑ i = 1 n x i w i ≤ C , x i ∈ { 0 , n } max \sum_{i=1}^{n}x_iw_i \le C, \quad x_i \in \{0,n\} maxi=1∑n​xi​wi​≤C,xi​∈{0,n}
④ 目标函数（最大值） ∑ i = 1 n x i v i , x i ∈ { 0 , n } \sum_{i=1}^{n}x_iv_i, \quad x_i \in \{0,n\} i=1∑n​xi​vi​,xi​∈{0,n}

4 状态转换方程

$$dp(i,j)=max(dp(i-1,j),dp(i-1,j-w[i])+v[i])，j\ge w[i]$$
其中：
$i$，第$i$件商品
$w[i]$，第$i$件商品重量
$v[i]$，第$i$件商品价值
当 $j\le w[i]$时，不计算 $dp(i-1,j-w[i])+v[i])$

5 算法例解（0-1背包问题）

条件：
① 四种商品

品类	重量（磅）	价值（RMB）
音响	4	3000
笔记本电脑	3	2000
吉他	1	1500

② 目标值重量4，求最大价值
③ 流程

	背包空间（磅）
放入商品	1	2	3	4
音响 （4, 3000）	0	0	0	3000
笔记本电脑 （3, 2000）	0	0	2000	3000
吉他 （1, 1500）	1500	1500	2000	3500

④ 计算过程
放入第一个物体（音响，4 3000）
$空间为1，放不下，f(1,1)=0$
$空间为2，放不下，f(1,2)=0$
$空间为3，放不下，f(1,3)=0$
$空间为4，放得下，f(1,4)=3000$

放入第二个物体（笔记本电脑, 3 2000）
$空间为1，f(2,1)=max(f(1,1),f(1,-2)+2000)=max(0,0)=0$
$空间为2，f(2,2)=max(f(1,2),f(1,-1)+2000)=max(0,0)=0$
$空间为3，f(2,3)=max(f(1,3),f(1,0)+2000)=max(0,2000)=2000$
$空间为4，f(2,4)=max(f(1,4),f(1,1)+2000)=max(3000,2000)=3000$

放入第三个物体（吉他，1 1500）
$空间为1，f(3,1)=max(f(2,1),f(2,0)+1500)=max(0,1500)=1500$
$空间为2，f(3,2)=max(f(2,2),f(2,1)+1500)=max(0,1500)=1500$
$空间为3，f(3,3)=max(f(2,3),f(2,2)+1500)=max(2000,1500)=2000$
$空间为4，f(3,4)=max(f(2,4),f(2,3)+1500)=max(3000,3500)=3500$

6 程序例解

按照【5】分析的条件，进行代码验证（注：该程序参考了网上相关代码）

package main

import "fmt"

const (
	// 行
	RAW int = 4
	// 列
	COL int = 5
)

var weight = [RAW]int{0, 3, 4, 1}

var value = [RAW]int{0, 2000, 3000, 1500}

var cells [RAW][COL]int

var selected [RAW]int

// 动态规划计算网格
func dp() {
	for i := 1; i < len(value); i++ {
		for j := 1; j < 5; j++ {
			cells[i][j] = maxValue(i, j)
		}
	}

	for i := 0; i < RAW; i++ {
		fmt.Printf("raw is %v \n", cells[i])
	}
	findBack()
	fmt.Printf("selected goods is %v \n", selected)
}

// 判断当前单元格最大价值方法
func maxValue(i, j int) int {
	// 当前商品无法放入背包，返回当前背包所能容纳的最大价值
	if j < weight[i] {
		return cells[i-1][j]
	}
	
	// 可放进背包时候，计算放入当前商品后的最大价值
	curr := value[i] + cells[i-1][j-weight[i]]
	if curr >= cells[i-1][j] {
		return curr
	}
	return cells[i-1][j]
}

// 回溯选择的商品方法
func findBack() {
	col := COL - 1
	for i := RAW - 1; i > 0; i-- {
		if cells[i][col] > cells[i-1][col] {
			selected[i] = 1
			col = col - weight[i]
		} else {
			selected[i] = 0
		}
	}
}

func main() {
	dp()
}

raw is [0 0 0 0 0]
raw is [0 0 0 2000 2000]
raw is [0 0 0 2000 3000]
raw is [0 1500 1500 2000 3500]
selected goods is [0 1 0 1]
sandbox> exited with status 0