http://www.cnblogs.com/yanlingyin/archive/2011/12/25/knapsackproblem.html
前言
背包问题是一个经典的算法问题,可以用动态规划,贪心法,分支界限法等方法解决
问题描述:有n个物品,编号1,2,3,、、n,其中第 i 个物品重量为Wi 价值 Vi ,有一个容量为W的背包。
在容量允许范围内,如何选择物品,可以得到最大的价值。(为了简单起见,假设物品的重量 Wi 和价值Vi 都是正数)
根据取物品的方式,背包问题又可以被分为三类:
0/1背包问题(0-1 knapsack problem)
这也是最常见的背包问题,对于每个物品,要么取走要么不取走,每个物品只能取一次。
可以用数学表达式表示为:
- maximize
- subject to
有界限的背包问题(bounded knapsack problem)
对应于上文,每个物品最多可以取Gi次.也可以不取。用数学表达式描述为:
- maximize
- subject to
注意看xi取值范围。其中的“界限”说的是取的次数上限
无界限背包( unbounded knapsack problem (UKP))
相应的,无界限背包说的就是每个物品取的次数无限了,也就是上文中的xi 可以为任意的正整数。
今天主要说的是0、1背包问题,解法是动态规划。当然,对于另外两种问题也会有所介绍。
问题分析:
用动态规划解问题首先要有效的找出子问题,可以通过这个子问题得推得原问题的解,通常子问题的实质是和原问题相同的,只是规模上的缩小,
也就是说子问题和原问题可以有相同的表示形式,问题可通过不断的缩小规模(一般都会有一个界限)能找到子问题的解。
这个问题要求解的是能用背包带走的物品的最大价值。定义 m[i,w] 为:
用第1,、2、3、、i 个物品装入质量<=W的背包的最大价值。
m[i,w]的取值情况分析:
1) ,背包的质量为w,里面没有物品,所以它的价值为0;
2) ,背包质量为0,所以里面没法装任何东西, 不论前面的 i 是多少,总价值为0;
对于任意的第 i 个物品,有两种情况,放进背包或者不放。
不要第 i 个物品 如果 则:
3) 因为第i 个物品的重量大于背包的容量,所以不可放入。
如果. 那么
4)
对于第 i 个物品,有两种可选择方案:如果放入背包中,那么 m[i,w]=m[i-1,w-wi]+vi 也就是 i 的前一个的最大值加上自己的价值。
如果不要第 i 个物品,那么:m[i,w]=m[i-1,w]。也就是 i 的前一个的最大值。
因为背包问题最后要取得最大的价值,所以就选这两种情况中价值最大的。
在这个问题中,定义子问题: m[i,w] 对于每个子问题,都可通过上面的分析求出。通过3),4)可以发现,每一次求取子问题,问题的规模就被缩小。
要么在w 上减小,要么在 i 上减小。最后问题的规模会被缩小为 m[i,0]和m[0,w].而这两个的值都为0,只要逆向思维反推回去,就能逐步得到问题的解。
算法描述
附c++代码:
c-free 5编译通过
![](https://i-blog.csdnimg.cn/blog_migrate/cdec0645add3fc3c328197dda5c76203.gif)
动态规划简单介绍:
动态规划通常用于最优化问题,此类问题可能有很多可行解,每一个解有一个值,而我们希望找出一个具有最优值的解,
动态规划算法设计可分为如下步骤:
1)描述最优解的结构
2)递归定义最优解的值
3)按底向上的方式计算最优解的值
4)由计算出的结果构造一个最优解
动态规划的第一步是描述最优解的结构,如果问题的一个最优解中包含了子问题的最优解,该问题具有最优解结构。当一个子问题
有最优解结构时,提示我们动态规划适用。如本例中的m[i,w]就是一个子问题,里面包含了另一个子问题的最优解:
m[i-1,w],m[i-1,w-1]。解题的过程中把结果记录在数组中,后面的解更具前面的解得出,最后找到问题的解。
参考资料:
http://en.wikipedia.org/wiki/Knapsack_problem
http://www.es.ele.tue.nl/education/5MC10/Solutions/knapsack.pdf
《算法导论》
欢迎转载,请注明出处:http://www.cnblogs.com/yanlingyin/
一条鱼@博客园
2011-12-25