0-1背包问题与分数背包问题

0-1背包问题与分数背包问题

我们在文章《贪心算法原理》:http://blog.csdn.net/ii1245712564/article/details/45369491中提到过动态规划和贪心算法的区别。以及两个经典的例子：0-1背包问题和分数背包问题，我么知道0-1背包问题是不能够使用贪心算法求解的，而贪心算法则是分数背包问题的不二之选。
这次我们来着重实现一下0-1背包问题的动态规划解法以及分数背包问题的贪心算法。

问题描述

• 0-1背包问题：我们有一堆物品$S=\lbrace a_1,a_2,...,a_n \rbrace$,每一个物品$a_i$都有一个重量$w_i$和一个价值$v_i$.现在有一个背包，这个背包的容量为$W$,现在要将这些物品在不超出背包容量的情况下选择性的放入背包，使得背包里面物品的价值最大，物品不能只选取其中一部分，必须选择整个，或者不选！

• 分数背包问题：这个问题和上面的问题比较相似，唯一不同的就是该问题里面的物品可以进行分割，即可以只选取一个物品$a_i$的一部分

这里我们采用例子：

我们有三个物品和一个容量为$50$的背包，这三个物品<重量,价值>分别为:$a1<10,60>,a2<20,100>,a3<30,120>$.

问题分析之分数背包

为简单期间，我们首先来分析一下分数背包问题。如果要设计一个贪心算法，那么首先要确定一个贪心策略，换句话说就是要怎么在当前的情况下做出一个合理的贪心选择。
我们首先得到每一个物品单位重量的价值$v_i/w_i$,那么我们要设计一个贪心策略来使得装入背包物品的价值最大。我们的第一直觉肯定是要选择单位重量价格最高的喽，然后再选择物品里面第二高的，一次类推直到装满背包为止！

下面我们来证明一下上面贪心选择的猜想：

证明:

我们首先假设我们有一个最优解$A_1$,那么我们首先找到$A_1$里面平均价值最高的物品$a_m$，让后我们将用商品里面平均价值最高的物品$a_1$将$a_m$进行全部替换或者部分替换得到解$A_2$，又因$v_1/w_1 \geq v_m/w_m$所以$A_2$的总价值高于$A_1$的总价值，这$A_1$是最优解矛盾，于是得到$A_1$里面包含平均价值最高的物品。

于是我们得到最优子结构$S_i = S_k +a_k$，$a_k$是$S_i$里面平均价值最高的，$S_k$是选择$a_k$剩下来的物品。

代码设计之分数背包问题

依照我们上面描述的分数背包问题的最佳贪心策略，每次都选出平均价值最高的物品

/*************************************************
* @Filename:    fractionPackage.cc
* @Author:      qeesung
* @Email:       qeesung@qq.com
* @DateTime:    2015-04-30 14:44:28
* @Version:     1.0
* @Description: 贪心策略，分数背包问题
**************************************************/

#include <iostream>
#include <utility>
#include <vector>

using namespace std;

#define PACKAGE_CAPACITY 50

/**
 * 求得goodslist对应的最大价值,我们首先假设物品按照平均价值降序排序
 * @param  goodsList 商品列表
 * @return           最大价值
 */
unsigned fractionPackage(std::vector<pair<unsigned , unsigned> > goodsList)
{
    unsigned valueSum=0;
    unsigned capacitySum=0;
    for (int i = 0; i < goodsList.size(); ++i)
    {
        // 转完这次就退出
        if(goodsList[i].second + capacitySum >= PACKAGE_CAPACITY)
        {
            valueSum+=(PACKAGE_CAPACITY - capacitySum)*(goodsList[i].first/goodsList[i].second);
            return valueSum;
        }
        valueSum+=goodsList[i].first;
        capacitySum+=goodsList[i].second;
    }
    return valueSum;
}

int main(int argc, char const *argv[])
{
    std::vector<pair<unsigned , unsigned> > goodsList;
    goodsList.push_back(pair<unsigned , unsigned>(60,10));
    goodsList.push_back(pair<unsigned , unsigned>(100,20));
    goodsList.push_back(pair<unsigned , unsigned>(120,30));
    cout<<"max value is : "<<fractionPackage(goodsList)<<endl;
    while(1);
    return 0;
}

运行结果为:

max value is 240

我们这里首先选择平均价值最高的a1放入背包，然后放入a2,因为此时a3不能全部放入背包，于是我们放入a3的一部分进入到背包。这里也很好理解，那就是我们在物品总能装满背包的情况下，背包总是可以被装满的，我们如果要使总价值最高，那我们就应该提升平均的价值密度，那就把平均价值最高的依次放入背包！

问题分析之0-1背包问题

为什么我们不能用贪心算法来解决0-1背包问题呢，我们只需要举一个反例就可以了，我们还是按照之前的将平均价值最大的放入背包里面，放入$a_1$,然后$a_2$,$a_3$已经不能再放入了，于是我们得到背包物品总价值为$60+100=160$，但是这个是最优解么？肯定不是,因为只放入$a_2$和$a_3$总价值就达到$100+120=220$,所以这里我们只能另辟蹊径。
每一个物品只有两种选择，那就是放入背包与不放入背包。所以我们要做的就是决定一个物品是放入还是不放入背包。
在求解动态规划问题中，我们首先要做的,就是找到最优子结构和递归表达式。于是我们假设$f(i,W)$为有$\underbrace{i,i+1,i+2,...,n}_{n-i+1}$个商品，背包容量为$W$的最优解。那么我们首先需决定的就是$a_i$这个物品到底要不要放入到背包里面，决定这个标准是什么?

• 如果$w_i \leq W$,那么物品$a_i$是可以放入背包的,如果我们放入背包，那么价值为$f(i,W)=f(i+1, W-w_i)+v_i$，要是不放入背包，那么$f(i,W)=f(i+1，w_i)$，我们选择值最大的那个！
• 如果$w_i > W$,那么$a_i$不能放入到背包里面，于是没有别的选择,$f(i,W)=f(i+1，W)$

从上面我们看到了我们一直想要的，最优子结构！
我们得到对应的递归表达式为:

$$f(i,W)= \begin{cases} f(i+1，W) & , w_i > W\\ f(i+1 ， W-w_i)+v_i & , w_i \leq W \end{cases}$$

动态规划有了递归表达式啥都好说！

代码设计之0-1背包问题

有了上面的递归表达式，我们就可以开始敲代码啦！
我们这里采用两种动态规划的方法来求解，自上而下和自下而下，他们之间的细微差别我们在看完代码之后再指出
自上而下的动态规划算法

/*************************************************
* @Filename:    zeroOnePackage.cc
* @Author:      qeesung
* @Email:       qeesung@qq.com
* @DateTime:    2015-04-30 10:49:31
* @Version:     1.0
* @Description: 典型的0-1背包问题，采用动态规划自上而下求解
**************************************************/

#include <iostream>
#include <utility>
#include <vector>

using namespace std;

/** 背包的容量 */
#define PACKAGE_CAPACITY 50
/** 最多有十个商品 */
#define MAX_GOODS_NUM 10
/** 用来保存商品没有没有选中过 */
bool packageChoose[MAX_GOODS_NUM];
/** 用来存储对应的最大价值 maxValue[i][w]表示后面i个商品装入w容量背包最大价值 */
unsigned maxValue[MAX_GOODS_NUM][PACKAGE_CAPACITY];

unsigned dealZeroOnePackage(unsigned pos , unsigned weight , \
    std::vector<pair<unsigned , unsigned> > & goodsList);
/**
 * 求得goodslist对应的最大价值
 * @param  goodsList 商品列表
 * @return           最大价值
 */
unsigned zeroOnePackage(std::vector<pair<unsigned , unsigned> > goodsList)
{
    for (int i = 0; i < MAX_GOODS_NUM; ++i)
    {
        packageChoose[i]=false;
    }
    dealZeroOnePackage(0,PACKAGE_CAPACITY,goodsList);
    return maxValue[0][PACKAGE_CAPACITY];
}

/**
 * 具体的递归求解
 * @param  pos       开始位置
 * @param  weight    剩余容量
 * @param  goodsList 商品列表
 * @return           对应pos开始容量为weight的最大值
 */
unsigned dealZeroOnePackage(unsigned pos , unsigned weight , \
    std::vector<pair<unsigned , unsigned> > & goodsList)
{
    if(pos >= goodsList.size() || weight == 0)
        return 0;
    if(maxValue[pos][weight] != 0 )
        return maxValue[pos][weight];
    // 下面开始递归求解
    unsigned temp1 = dealZeroOnePackage(pos+1,weight , goodsList);
    if(weight >= goodsList[pos].second)
    {
        unsigned temp2 = dealZeroOnePackage(pos+1, weight - goodsList[pos].second, goodsList)+\
                         goodsList[pos].first;
        unsigned retValue = temp1>temp2?temp1:temp2; 
        /** 判断pos位置到底选不选 */
        if(temp1 <= temp2)
        {
            packageChoose[pos]=true;
        }
        maxValue[pos][weight]= retValue;               
        return retValue;
    }
    else
    {
        maxValue[pos][weight]=temp1;
        return temp1;
    }
}

void printChoose()
{
    for (unsigned i = 0; i < MAX_GOODS_NUM ; ++i)
    {
        if(packageChoose[i])
            cout<<"a"<<i<<"\t";
    }
    cout<<endl;
}

int main(int argc, char const *argv[])
{
    std::vector<pair<unsigned , unsigned> > goodsList;
    goodsList.push_back(pair<unsigned , unsigned>(60,10));
    goodsList.push_back(pair<unsigned , unsigned>(100,20));
    goodsList.push_back(pair<unsigned , unsigned>(120,30));
    cout<<"max value is : "<<zeroOnePackage(goodsList)<<endl;
    printChoose();
    while(1);
    return 0;
}

运行以后我们得到结果:

max value is 220
a1 a2

自下而上的动态规划算法

/*************************************************
* @Filename:    zeroOnePackage_v2.cc
* @Author:      qeesung
* @Email:       qeesung@qq.com
* @DateTime:    2015-04-30 14:43:56
* @Version:     1.0
* @Description: 自下而上的求解背包问题，动态规划
**************************************************/

#include <iostream>
#include <utility>
#include <vector>

using namespace std;

#define MAX(a , b) ((a)>(b)?(a):(b))
/** 背包的容量 */
#define PACKAGE_CAPACITY 50
/** 最多有十个商品 */
#define MAX_GOODS_NUM 10
/** 用来保存商品没有没有选中过 */
bool packageChoose[MAX_GOODS_NUM];
/** 用来存储对应的最大价值 maxValue[i][w]表示后面i个商品装入w容量背包最大价值 */
unsigned maxValue[MAX_GOODS_NUM][PACKAGE_CAPACITY+1];

/**
 * 求得goodslist对应的最大价值
 * @param  goodsList 商品列表
 * @return           最大价值
 */
unsigned zeroOnePackage(std::vector<pair<unsigned , unsigned> > goodsList)
{
    for (int i = 0; i < MAX_GOODS_NUM; ++i)
    {
        packageChoose[i]=false;
    }
    for(int k = goodsList[goodsList.size()-1].second; k <= PACKAGE_CAPACITY  ; ++k)
    {
        maxValue[goodsList.size()-1][k] = goodsList[goodsList.size()-1].first;
    }
    /** 自下而上 */
    for (int i = goodsList.size()-2; i >=0 ; --i)
    {
        /** 就是讲所有的i对应的所有对应容量求出来 , 这样做太浪费了*/
        for(int k = goodsList[i].second; k <= PACKAGE_CAPACITY ; ++k)
        {
            maxValue[i][k] = MAX(maxValue[i+1][k] , maxValue[i+1][k - goodsList[i].second]+goodsList[i].first);
        }
    }
    return maxValue[0][PACKAGE_CAPACITY];
}

void printChoose(unsigned pos , unsigned weight , \
    std::vector<pair<unsigned , unsigned> > goodsList)
{
    if(pos >= goodsList.size())
        return;
    if(maxValue[pos][weight] == maxValue[pos+1][weight - goodsList[pos].second]+goodsList[pos].first)
    {
        cout<<"a"<<pos<<"\t";
        printChoose(pos+1 , weight - goodsList[pos].second , goodsList);
    }
    else
    {
        printChoose(pos+1 , weight , goodsList);
    }
}

int main(int argc, char const *argv[])
{
    std::vector<pair<unsigned , unsigned> > goodsList;
    goodsList.push_back(pair<unsigned , unsigned>(60,10));
    goodsList.push_back(pair<unsigned , unsigned>(100,20));
    goodsList.push_back(pair<unsigned , unsigned>(120,30));
    cout<<"max value is : "<<zeroOnePackage(goodsList)<<endl;
    printChoose(0 , PACKAGE_CAPACITY , goodsList);
    while(1);
    return 0;
}

运行以后我们得到结果:

max value is 220
a1 a2

动态规划算法之间的差别

上面两个算法都是动态规划算法，但是两者之间存在细微的差别。

在自上而下的算法中：我们观察到

unsigned temp1 = dealZeroOnePackage(pos+1,weight , goodsList);

unsigned temp2 = dealZeroOnePackage(pos+1, weight - goodsList[pos].second, goodsList)+goodsList[pos].first;

上面的代码是对问题的递归求解,对应的f(i,W)在求解以后就放入到

maxValue[pos][weight]= retValue;               

每一步都只求解对应maxValue的pos,weight位置，并不求解maxValue这个二维数组的其他位置

---

而在自下而上的算法中：我们观察到
有这样一个循环式子:

    for (int i = goodsList.size()-2; i >=0 ; --i)
    {
        /** 就是讲所有的i对应的所有对应容量求出来 
        , 这样做太浪费了*/
        for(int k = goodsList[i].second; \
        k <= PACKAGE_CAPACITY ; ++k)
        {
            maxValue[i][k] = MAX(maxValue[i+1][k] ,\
            maxValue[i+1][k -\
            goodsList[i].second]+goodsList[i].first);
        }
    }

在这个循环式子例子都做了写什么呢？
那就是将i对应的这一行差不多所有的maxVlaue数组位置的值都求解出来了，但是我们用到的只有两个。这样做是因为如果要求$f(i,W)$，那么就首先要知道$f(i+1,W)$和$f(i+1,W-w_i)$,但是这里面的$W$和$W-w_i$是不确定的,我们只有将数组maxValue的$i+1$这一行的所有值求出来，上层节点才能随意调用。

所及自上而下的算法缺点在于太多次的递归调用，优点就是不用求出所有的全部情况，自下而上的算法缺点在于需要求出所有的情况，优点在于采用迭代而不是递归调用！但是就对于0-1背包问题来说，个人觉得还是自上而下的求法比较适合，因为这里的maxValue数组是由物品个数和背包容量决定的，如果背包容量升级到500，那我每一行岂不是要算五百个数据？，而递归的话只用算出自己需要的数据即可！