01背包入门问题
题意 背包体积为V 有n个物品 体积为v[i] 价值为w[i] 求解背包能装进去的物品最大价值
dp思路
我们用一个二维数组dp dp[ i ][ j ]代表面对第i个物品时 且 背包容量为 j 时 背包内的最大价值
首先 判断 j
如果 j<第i件物品的体积 也就是 j<v[i] 则不能放下第 i 个物品 所以此时背包的最大价值 就是 dp[ i-1 ][ j ]
如果 j>=v[ i ] 那么说明可以把第 i 件物品放进去。 此时 有两种选择 放 或者不放
1.如果放 dp[ i ][ j ]=dp[ i-1 ][ j - v[ i ] ] + w[ i ];
(等于面对第 i-1 件物品 体积为 j - v [ i ] 时候的最大价值 + w[ i ] )
2.如果不放dp[ i ][ j ] = dp[ i-1 ][ j ]
所以 状态转移方程
if(j<v[i]) dp[i][j]=dp[i-1][j];
else dp[i][j]=max(dp[i-1][j-v[i]]+w[i],dp[i-1][j]);
上边是思路
我们下边解释一下这个状态转移的原理
我们来看一个例子。
假设现在有一个背包 体积 V=10 有5件物品 价值和体积如下
物品编号 | 1 | 2 | 3 | 4 | 5 |
体积 | 3 | 4 | 3 | 2 | 5 |
价值 | 2 | 4 | 4 | 3 | 2 |
然后我们利用上边解题思路里的递推式计算出来一个二维的dp数组
我们先看这个dp数组是什么
dp | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
1 | 0 | 0 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 |
2 | 0 | 0 | 2 | 4 | 4 | 4 | 6 | 6 | 6 | 6 |
3 | 0 | 0 | 4 | 4 | 4 | 6 | 8 | 8 | 8 | 10 |
4 | 0 | 3 | 4 | 4 | 7 | 7 | 8 | 9 | 11 | 11 |
5 | 0 | 3 | 4 | 4 | 7 | 7 | 8 | 9 | 11 | 11 |
首先要记住 这个二维的dp数组dp[ i ][ j ]代表的是什么 dp[ i ][ j ]代表面对第i个物品时 且 背包容量为 j 时 背包内的最大价值
那么我们来看几个点
dp[1][1] 代表面对第一个物品背包容量是1的时候 第一个 物品体积是3 放不下 所以背包此时价值为dp[1][1]=0。
再去看dp[1][3] 代表面对第一个物品背包容量是3的时候 那这个时候可以放下了 所以dp[1][3]=2 第一件物品的价值。
而你观察第一行 第一行代表的是 面对第一件物品的时候 那么不论背包体积 j 变为多大 价值也最大就是2 因为只有第一件。
你可以再多看几个点 明白了dp数组的含义 如果你明白了 现在我们解决下面这个问题
上边的递推式中 这一句 dp[ i ][ j ] = max(dp[ i-1 ][ j - v[ i ] ] + w[ i ] , dp[ i-1 ][ j ]);为什么正确呢?
我们 观察dp[1][3] 当背包容量为3 面对第一件的时候 价值是2 因为第一件可以放下
那dp[2][4]呢 此时面对第二件物品 容量为4 第二件物品的体积是4 显然 可以放下 但是1和2不能同时放进去
显而易见 此时放2号物品价值会更大 而我们这个时候执行的语句是 dp[ i ][ j ] = max(dp[ i-1 ][ j - v[ i ] ] + w[ i ] , dp[ i-1 ][ j ]);
后者dp[ i-1 ][ j ] 代表不放2号
前者dp[ i-1 ][ j - v[ i ] ] + w[ i ]代表什么呢
首先 j -v[ i ]说明 背包容量减去现在2号的体积 也就是把2号装进去多余的体积
i - 1是说对于前边 i -1件物品 所以dp[ i-1 ][ j - v[ i ] ] 就是把2号装进去 还多余的空间所能装的价值
然后再加上2号的价值 就是 放入2号物品后背包所能装的价值
所以 可以看出 这个max()里面的两个式子代表的就是 放与不放的两种状态 而dp[ i ][ j ]则会选择最优的状态
恰好装满与不必装满
https://blog.csdn.net/yoer77/article/details/70943462 参考
我们看到的求解最优解的背包问题中,实际上有两种不太相同的问法。
1. 要求”背包恰好装满“ 时的最优解
2. 不要求背包一定要被装满时的最优解我们上面所讨论的解法就是第2种问题, 不要求背包一定要被装满时的最优解。
一种区别这两种问法的实现方法是在初始化的时候有所不不同。如果是第一种问法,要求恰好装满背包,那么在初始化时除了 dp[0]为0,
其他dp[1...W]均设为−∞ ,这样就可以保证最终得到 dp[W] 是一种恰好装满背包的最优解
如果并没有要求必须把背包装满,而是只希望价格尽量大,初始化时应该将dp[0...W]全部设为0。这是为什么呢?可以这样理解:初始化的dp
数组事实上就是在没有任何物品可以放入背包时的合法状态。如果要求背包恰好装满,那么此时只有容量为0的背包可以在什么也不装的状态下被 “恰好装满” ,此时背包价值为0。其他容量的背包均没有合法的解,属于未定义的状态,所以都应该被赋值为 −∞
。当前的合法解,一定是从之前的合法状态推得的
如果背包并非必须被装满,那么任何容量的背包都有一个合法解 “什么也不装”,这个解的价值为0,所以初始化时状态的值也就全部为0了。
下面就是实现的问题了
代码实现
#include<stdio.h>
#include<iostream>
#include<algorithm>
#include<cstring>
const int maxn=1e5+7;
using namespace std;
int n,V;
int w[maxn],v[maxn],dp[507][maxn];
int main(){
scanf("%d%d",&n,&V);
for(int i=1;i<=n;i++){
scanf("%d%d",&v[i],&w[i]);
}
for(int i=1;i<=n;i++){
for(int j=1;j<=V;j++){
if(j<v[i])dp[i][j]=dp[i-1][j];
else{
dp[i][j]=max(dp[i-1][j-v[i]]+w[i],dp[i-1][j]);
}
}
}
printf("%d",dp[n][V]);
}
空间优化
时间复杂度(Vn)就这样了 然后是对空间复杂度的优化 用了一个二维数组 dp
其实可以不用二维数组 用一个一维数组作为滚动数组就可以了
我们观察上面解法的状态转移方程
for(int i=1;i<=n;i++){
for(int j=1;j<=V;j++){
if(j<v[i])dp[i][j]=dp[i-1][j];
else{
dp[i][j]=max(dp[i-1][j-v[i]]+w[i],dp[i-1][j]);
}
}
}
发现 对于dp这个二维数组 第 i 行 是由第 i-1 行推出来的 并且 得到第 i 行后 第 i-1 行已经没用了
所以 我们考虑 用一个一维数组 dp[ j ]来滚动表示上面那个二维数组
当 i 等于1 时 dp[ j ]表示 面对第一个物品 容量为 j 时的背包最大价值
然后当 i 等于2时 我们用刚才的dp数组更新计算出 面对第二个物品 容量为 j 时的背包最大价值
以此类推 由此 就优化了空间复杂度 由o(Vn)->o(V)
代码如下
#include<cstdio>
#include<iostream>
#include<algorithm>
#include<cstring>
const int maxn=1e5+7;
using namespace std;
int n,V;
int w[maxn],v[maxn],dp[maxn];
int main(){
scanf("%d%d",&n,&V);
for(int i=1;i<=n;i++){
scanf("%d%d",&v[i],&w[i]);
}
for(int i=1;i<=n;i++){
for(int j=V;j>=v[i];j--){
dp[j]=max(dp[j],dp[j-v[i]]+w[i]);
}
}
printf("%d",dp[V]);
}