近期在看动态规划,了解到理解动态规划思想比较容易的一个题就是01背包问题,动手写了下程序。
重要的是要理解动态规划的思想
找到的一些关于01背包问题的求解思想:
首先介绍一下动态规划...
设计一个动态规划算法,通常可按照以下几个步骤进行:
(1) 找出最优解的性质,并刻画其结构特征。
(2) 递归地定义最优解的值
(3) 以自底而上的方式计算出最优值
(4) 根据计算最优值时得到的信息,构造一个最优解。
对于一个给定的问题,若具有以下两个性质,则可以考虑用动态规划法来求解。
(1) 最优子结构。如果一个问题的最优解中包含了其子问题的最优解,就说该问题具有最优子结构。当一个问题具有最优子结构时,提示我们动态规划法可能会适用,但是此时贪心策略可能也是适用的。
(2) 重叠子问题。指用来解原问题的递归算法可反复地解同样的子问题,而不是总在产生新的子问题。即当一个递归算法不断地调用同一个问题时,就说该问题包含重叠子问题。此时若用分治法递归求解,则每次遇到子问题都会视为新问题,会极大地降低算法的效率,而动态规划法总是充分利用重叠子问题,对于每个子问题仅计算一次,把解保存在一个在需要时就可以查看的表中,而每次查表的时间为常数。
问题:有n个物品,第i个物品价值为vi,重量为wi,其中vi和wi均为非负数,背包的容量为W,W为非负数。现需要考虑如何选择装入背包的物品,使装入背包的物品总价值最大。该问题以形式化描述如下:
目标函数为 :
约束条件为:
满足约束条件的任一集合(x1,x2,...,xn)是问题的一个可行解,问题的目标是要求问题的一个最优解。考虑一个实例,假设n=5,W=17, 每个物品的价值和重量如表9-1所示。可将物品1,2和5装入背包,背包未满,获得价值22,此时问题解为你(1,1,0,0,1)。也可以将物品4和5装入背包,背包装满,获得价值24,此时解为(0,0,0,1,1)。
下面根据动态规划的4个步骤求解该问题。
(1) 刻画0-1背包问题的最优解的结构。
可以将背包问题的求解过程看作是进行一系列的决策过程,即决定哪些物品应该放入背包,哪些物品不放入背包。如果一个问题的最优解包含了物品n,即xn=1,那么其余x1,x2,...,x(n-1)一定构成子问题1,2,...,n-1在容量W-wn时的最优解。如果这个最优解不包含物品n,即xn=0,那么其余x1,x2,...,x(n-1)一定构成子问题1,2,...,n-1在容量W时的最优解。
(2)递归定义最优解的值
根据上述分析的最优解的结构递归地定义问题最优解。设c[i,w]表示背包容量为w时,i个物品导致的最优解的总价值,得到下式。显然要求c[n,w]。
下面是写的程序:在设置物品的重量的价值时将数组下标为0的元素设置为了0,只是为了统一数组下标,也可不这么做,但是在后面这一步时,要注意下标需要减1。
程序如下
#include<stdio.h>#include<stdlib.h>int Total = 17 ;int max ( int i , int j ){return ( i > j ) ? i : j ;}int main (){int v [ 6 ] = { 0 , 4 , 5 , 10 , 11 , 13 };int w [ 6 ] = { 0 , 3 , 4 , 7 , 8 , 9 };int c [ 6 ][ 18 ] = { 0 };int i , j ;for ( i = 0 ; i < 6 ; ++ i )c [ i ][ 0 ] = 0 ;for ( j = 0 ; j < 18 ; ++ j )c [ 0 ][ j ] = 0 ;for ( i = 1 ; i < 6 ; ++ i )for ( j = 1 ; j <= Total ; ++ j ){if ( w [ i ] > j )c [ i ][ j ] = c [ i - 1 ][ j ];elsec [ i ][ j ] = max ( c [ i - 1 ][ j - w [ i ]] + v [ i ], c [ i - 1 ][ j ]);}for ( i = 0 ; i < 6 ; ++ i ){for ( j = 0 ; j < 18 ; ++ j )printf ( "%3d" , c [ i ][ j ]);printf ( " \n " );}}
运行结果如下所示(输出数组):