在完全背包中:
f[i,j]=max(f[i-1][j],f[i-1][j-w]+v,f[i-1][j-2w]+2v,…)
f[i,j-w]=max(f[i-1,j-w],f[i-1][j-2w]+v,f[i-1][j-3w]+2v…)
通过上述比较,f[i][j]=max(f[i-1][j],f[i-1][j-w]+v)
多重背包中:
f[i,j]=max(f[i-1][j],f[i-1][j-w]+v,f[i-2][j-2w]+2v,…,f[i-1][j-Sw]+Sv)
f[i,j-v]=max(f[i-1][j-w],f[i-1][j-2w]+v,…,f[i-1][j-Sw]+(S-1)v,f[i-1][j-(S+1)w]+Sv)
为什么多重背包末尾多了一项?
其实,一般从实际含义出发来考虑即可,这里是在分析f[i,j−v]这个状态的表达式,首先这个状态的含义是 从前i个物品中选,且总体积不超过j-v的最大价值, 我们现在最多只能选s个物品,因此如果我们选s个第i个物品,那么体积上就要减去 s∗w,价值上就要加上s∗v,那更新到状态中去就是 f[i−1,j−w−s∗w]+s∗v。
为什么完全背包不会有最后一项?
因为完全背包的物品没有个数限制,只要体积够,就可以一直选,没有最后一项。
二进制优化为什么正确?
首先明确三个问题:
- 转换为01背包的思路就是:判断每个物品是取了好还是不取好?
- 任意一个实数可以用二进制数表示,也就是2^0 2^k中的一项或几项和。
- 这里多重背包问的就是每件物品取多少件可以获得最大价值。
分析:
-
如果直接遍历转化为01背包问题,是每次都拿一个来问,取了好还是不取好。那么根据数据范围,这样的时间复杂度是O(n^3) ,就是10^9,这样是毫无疑问是会TLE超时的。
-
假设10个取7个好,那么在第7个之后的状态转移方程都是不取好。现在,用二进制将其分堆,分成k+1个分别有2^k的堆,然后拿每一堆去问,是取了好还是不取好。经过dp选择后,结果与拿一个一个去问是完全一样的,因为dp选择的是最优结果,而根据第2点,任意实数都可以用二进制数表示,如果最终在10个中选7个是最优的,在分堆的过程中分成了 20=1,21=2, 2^2=4,10-7=3这4堆,然后去问4次,也就是拿去走dp的状态方程,走的结果是第一堆1个,取了比不取好,第二堆2个取了比不取好,第三堆4个取了比不取好,第四堆8个不取更好,最后选取了1+2+4=7个。
如果仍然不是很能理解的话,取这样一个例子:要求在一堆苹果选出n个苹果。我们传统的思维是一个一个地去选,选够n个苹果就停止。这样选择的次数就是n次
二进制优化思维就是:现在给出一堆苹果和10个箱子,选出n个苹果。将这一堆苹果分别按照1,2,4,8,16,…512,分到10个箱子里,那么由于任何一个数字x∈[0,1023] (第11个箱子才能取到1024,评论区有讨论这个)都可以从这10个箱子里的苹果数量表示出来,但是这样选择的次数就是 ≤10次。
比如:
- 如果要拿1001次苹果,传统就是要拿1001次;二进制的思维,就是拿7个箱子就行(分别是装有512、256、128、64、32、8、1个苹果的这7个箱子),这样一来,1001次操作就变成7次操作就行了。
这样利用二进制优化,时间复杂度就从 O(n^3), 降到O(n^2logS), 从4^109 ,降到了2∗^107。
代码如下:
public class Main{
public static void main(String[] args){
Scanner scan = new Scanner(System.in);
int N = scan.nextInt();
int V = scan.nextInt();
int[] ans = new int[V+1];
for(int i = 0 ; i < N;i++){
int w = scan.nextInt();
int val = scan.nextInt();
int sum = scan.nextInt();//以上为正常输入,与上题相同。
int k = 1;//每次分组的物品个数
while(sum > 0){ //由于sum数目增加,使用上题的sum--会出现time out,这里使用二进制分组的方法。
//分别分组为1,2,4...2^n,直到sum不够分为止。
//每组可以作为一个整体,视为01背包问题的一个物品。
if(sum - k < 0){//剩下不够分一组,拿剩下的做一次01背包
for(int j = V;j >= w * sum ;j--){
ans[j] = Math.max(ans[j],ans[j - w * sum] + val * sum);
}
break;
}
for(int j = V;j >= w * k ;j--){//剩下够分一组,拿k个物品做一次01背包
ans[j] = Math.max(ans[j],ans[j - w * k] + val * k);
}
sum -= k;
k *= 2;
}
}