前言
背包好难 qwq。
概念
01背包之所以叫“01”背包,就是它需要选择是否将当前这样物品装入背包。 0 0 0 代表不装, 1 1 1 代表装。
目录
一、板子题和强化
二、比较简单的应用
三、01背包问题输出方案
四、需要排序的01背包问题
五、01背包进阶
一、板子题和强化
题目描述
有一个最多能装 m m m 千克的背包,有 n n n 块魔法石,它们的重量分别是 W 1 , W 2 , . . . , W n W_1,W_2,...,W_n W1,W2,...,Wn ,它们的价值分别是 C 1 , C 2 , . . . , C n C_1,C_2,...,C_n C1,C2,...,Cn。若每种魔法石只有一件,问能装入的最大总价值。
输入格式
第一行为两个整数 m m m 和 n n n,以下 n n n 行中,每行两个整数 W i , C i W_i,C_i Wi,Ci,分别代表第 i i i 件物品的重量和价值。
输出格式
输出一个整数,即最大价值。
样例输入
8 3
2 3
5 4
5 5
样例输出
8
1.板子
1 ≤ m ≤ 30 , 1 ≤ n ≤ 15 1\le m \le 30,1\le n\le 15 1≤m≤30,1≤n≤15.
首先还是分析问题:每个东西都可以选择选或不选。我们假设正在抉择第 i i i 个物品,如果选的话,我们需要付出的代价就是占据一部分的背包容量。可见有两个因素在影响dp数组的值: i i i 和背包容量 m m m。
因此可以定义dp数组的意义为:
d p i , j dp_{i,j} dpi,j 代表在前 i i i 件物品中做选择,背包容量为 j j j 时能获得的最大价值。
好,继续分析,每次对于第 i i i 个物体的抉择,无非是选和不选的两种情况。
如果选的话,那么在选择前 i − 1 i-1 i−1 个物体的时候,可以使用的背包容量就需要减少 w i w_i wi,但是所获得的价值就可以加上 c i c_i ci。
如果不选,那就和选择前 i − 1 i-1 i−1 个物品的最优情况是一样的。
可得出动态转移方程:
d p i , j = max ( d p i − 1 , j , d p i − 1 , j − w i + c i ) dp_{i,j}=\max(dp_{i-1,j},dp_{i-1,j-w_i}+c_i) dpi,j=max(dpi−1,j,dpi−1,j−wi+ci)
C o d e Code Code
把动态转移方程套到程序里面就可以了,注意循环两层从小到大。
#include<bits/stdc++.h>
using namespace std;
int n,m,w[20],c[20],dp[20][35];
int main(){
scanf("%d %d",&m,&n);
for(int i=1;i<=n;i++){
scanf("%d %d",&w[i],&c[i]);
}
for(int i=1;i<=n;i++){
for(int j=1;j<=m;j++){
if(w[i]>j)
dp[i][j]=dp[i-1][j];
else
dp[i][j]=max(dp[i-1][j],dp[i-1][j-w[i]]+c[i]);
}
}
printf("%d",dp[n][m]);
return 0;
}
2.压缩空间
1 ≤ m ≤ 3 × 1 0 6 , 1 ≤ n ≤ 100 1\le m \le 3\times 10^6,1\le n\le 100 1≤m≤3×106,1≤n≤100,空限变得极度 duliu。
考虑优化空间复杂度。
上述程序的 d p dp dp 数组为二维数组,但是大家注意到动态转移方程时只需要用到 d p i − 1 , ? dp_{i-1,?} dpi−1,? 的值。
这也就意味着我们可以使用滚动数组优化空间复杂度。(不过时间复杂度就没法变了……)
需要注意的是,因为问号处的值必定小于 j j j,所以我们 j j j 这一维需要倒着枚举,不然在利用前面的值的时候就会错利用为 d p i , ? dp_{i,?} dpi,? 而非 d p i − 1 , ? dp_{i-1,?} dpi−1,? 的值了。
C o d e Code Code
#include<cstdio>
#define max(a,b) (a)>(b)?(a):(b)
int m,n,dp[35],w[20],c[20];
int main(){
scanf("%d %d",&m,&n);
for(int i=1;i<=n;i++){
scanf("%d %d",&w[i],&c[i]);
}
for(int i=1;i<=n;i++){
for(int j=m;j>=w[i];j--){
dp[j]=max(dp[j],dp[j-w[i]]+c[i]);
}
}
printf("%d",dp[m]);
return 0;
}
3.如果有其它的限制条件……
1 ≤ n ≤ 100 1\le n\le 100 1≤n≤100
1 ≤ W i , m ≤ 1 0 9 1\le W_i,m\le 10^9 1≤Wi,m≤109
1 ≤ C i ≤ 1 0 7 1\le C_i\le 10^7 1≤Ci≤107
对于每个 i = 2 , 3 , . . . , n i=2,3,...,n i=2,3,...,n,满足 W 1 ≤ W i ≤ W 1 + 3 W_1\le W_i\le W_1+3 W1≤Wi≤W1+3
如果按照背包的板子做,那么一定会 TLE \texttt{TLE} TLE 和 MLE \texttt{MLE} MLE。那如何优化呢?
我们注意到数据范围里有一句十分特殊的话:
对于每个 i = 2 , 3 , . . . , n i=2,3,...,n i=2,3,...,n,满足 W 1 ≤ W i ≤ W 1 + 3 W_1\le W_i\le W_1+3 W1≤Wi≤W1+3
那么我们完全可以把每个物品的重量以 W 1 W_1 W1 为基准,转化为一个不超过 3 3 3 的数。这么可以极大地优化空间复杂度。
用 h h h 代表 W 1 W_1 W1 的真实数字。
但是这样的话,我们就无法得知我们现在装的东西到底有没有超过背包的容量,因为我们并不知道我们选了多少个东西。所以 d p dp dp 数组还需要开一维代表选择物品的个数。
所以 d p i , j , k dp_{i,j,k} dpi,j,k 代表在前 i i i 个物品中选择 k k k 个物品,背包容量为 j j j 时的最大价值。
还需要注意一下循环的范围:
- i : 1 ∼ n i:1\sim n i:1∼n
(这个不需要解释了吧……)
- j : 0 ∼ 3 × i j:0\sim 3\times i j:0∼3×i
(因为物品的重量被处理过,当原来的 W i = W 1 W_i=W_1 Wi=W1 时这个物品的重量为 0 0