完全背包必看 https://blog.csdn.net/lee371042/article/details/79235538
https://www.cnblogs.com/Kalix/p/7622102.html
和01背包不同就在红色处
01背包每次都是与前一个状态相比较 即优化版本需 逆序循环
完全背包每次都与当前背包比较 即优化版本需 正序循环
核心代码如下:
for
(
int
i = 1; i < n; i++){
for
(
int
j = 1; j <= v; j++){
for
(
int
k = 0; k*c[i] <= j; k++){
if
(c[i]<=j)
/*如果能放下*/
f[i][j] = max{f[i][j],f[i-1][j - k * c[i]] + k * w[i]};
/*表示前i-1种物品中选取若干件物品放入剩余空间为j-k*w[i]的背包中所能得到的最大价值加上k件第i种物品的总价值*/
else
/放不下的话*/
f[i][j]=f[i-1][j]
/*继承前i-1个物品在当前空间大小时的价值*/
}
}
}
优化如下:转载自
https://blog.csdn.net/ppp_1026hc/article/details/52138025?utm_source=blogxgwz0
一个简单有效的优化
完全背包问题有一个很简单有效的优化,是这样的:若两件物品i、j满足c[i]<=c[j]且w[i]>=w[j],则将物品j去掉,不用考虑。这个优化的正确性显然:任何情况下都可将价值小费用高得j换成物美价廉的i,得到至少不会更差的方案。对于随机生成的数据,这个方法往往会大大减少物品的件数,从而加快速度。然而这个并不能改善最坏情况的复杂度,因为有可能特别设计的数据可以一件物品也去不掉。
转化为01背包问题求解
既然01背包问题是最基本的背包问题,那么我们可以考虑把完全背包问题转化为01背包问题来解。最简单的想法是,考虑到第i种物品最多选V/c [i]件,于是可以把第i种物品转化为V/c[i]件费用及价值均不变的物品,然后求解这个01背包问题。这样完全没有改进基本思路的时间复杂度,但这毕竟给了我们将完全背包问题转化为01背包问题的思路:将一种物品拆成多件物品。
更高效的转化方法是:把第i种物品拆成费用为c[i]*2^k、价值为w[i]*2^k的若干件物品,其中k满足c[i]*2^k<V。这是二进制的思想,因为不管最优策略选几件第i种物品,总可以表示成若干个2^k件物品的和。这样把每种物品拆成O(log(V/c[i]))件物品,是一个很大的改进。 但我们有更优的O(VN)的算法。 * O(VN)的算法 这个算法使用一维数组,先看伪代码:
for i=1..N
for v=0..V
f[v]=max{f[v],f[v-c[i]]+w[i]};
你会发现,这个伪代码与01背包的伪代码只有v的循环次序不同而已。为什么这样一改就可行呢?首先想想为什么01背包中要按照v=V..0的逆序来循环。这是因为要保证第i次循环中的状态f[i][v]是由状态f[i-1][v-c[i]]递推而来。换句话说,这正是为了保证每件物品只选一次,保证在考虑“选入第i件物品”这件策略时,依据的是一个绝无已经选入第i件物品的子结果f[i-1][v-c[i]]。而现在完全背包的特点恰是每种物品可选无限件,所以在考虑“加选一件第i种物品”这种策略时,却正需要一个可能已选入第i种物品的子结果f[i][v-c[i]],所以就可以并且必须采用v= 0..V的顺序循环。这就是这个简单的程序为何成立的道理
tips:
注意边界
求最大值,dp数组除dp[0]=0外初始化为无穷小 最后特判if (dp[v]>0)
求最小值,dp数组除dp[0]=0外初始化为无穷大 最后特判if (dp[v]!=Max)
PS:此时初始化不能用memset (dp,Min,sizeof(dp)) !!!因为memset初始化只对0,-1有用