w = [2,3,4,5](体积)
v = [3,4,5,6](价值)
z = [1,2,3,4](质量)
s = [13,2,1,1](数量限制)
C = 8(体积限制)
D = 7(质量限制)
01背包(每个物品只有一个)
组成一个(len(w)+1)*(C+1)的状态矩阵,矩阵里的数代表你只使用前i个物品,在还有j的剩余容量时可获得的最大价值。(行列分别加1是为了方面状态更新,第一行表示无可放入物品是剩余体积为j对应的价值,均为0。第一列表示在可使用前i个物品时,剩余体积为0对应的价值,均为0)
先填第一行,第一个数是在剩余体积为1时只能使用体积2的物品,最大价值应该是0,因为放不进去。同理第二个数是3应该剩余体积2,可以把体积2的物品放进去获得3的价值,但是只有一个体积2的物品,所有后面剩余体积变大也没用,只能放那一个进去,第一列后面的数都是3。再到第二行,第一个是0,第二个是3,到第三个的时候情况有变当剩余体积为3时,这时我们有两个选择:一是把3放进去n那这时的价值就是放进体积3物品获得的价值,和在剩余体积为0(3-3)时只能使用体积2物品的价值即dp[1][0]的值的和,即dp[1][0]+v[1]。二是不放三回到在剩余体积3的,只能放体积2物品获得价值是多少的问题。从中选择价值较大的那个,dp[2][3] = max(dp[1][0]+v[1],dp[1][3]])。后面以此类推dp[i][j] = max(dp[i-1][j-w[i]]+v[i]],dp[i-1][j])。整个表格右下角的数就是最终的最大价值。
更新完的图为:
思路为初始化整个矩阵,然后使用动态规划的思想逐个更新矩阵中的数,初始为0,可选状态有两个之前介绍过,状态转移为选其中大的。
代码如下:
dp = [[0 for _ in range(C +1)] for _ in range(len(w) +1)]
print(dp)
for i in range(1,len(w)+1):
for j in range(1,C+1):
if j < w[i-1]:
dp[i][j] = dp[i-1][j]#如果剩余容量不够新来的物体 直接等于之前的
else:
dp[i][j] = max(dp[i-1][j],dp[i-1][j-w[i-1]]+v[i-1])#这一共可以分为两种情况,一种是不放第i个物体,一种是放第i个物体,选择其中大的、(第二个选择里面的i-1是list的位置,第二个物品在list中对应的是第一个数)
print(dp)
一维优化:
发现状态转移只和前一行和当前行,更新数左边的数有关。我们就只初始化一行,然后用第i-1行更新第i行并记录i行并用于更新i+1行。但是如果我们从左往右更新,再更新dp[i][j]时,使用i的方案需要用到dp[i-1][j-w[i]]这个数,但是由于是从左往右更新list里的dp[j-w[i]]这个数已经是第i行的了,第i-1行的已经被覆盖。所以我们从右往左更新。代码如下:
dp = [0 for _ in range(C +1)]
for i in range(1,len(w)+1):
for j in reversed(range(1,C+1)):#逆序保证读前面的时候还没更新
if w[i-1] <= j:
dp[j] = max(dp[j],dp[j-w[i-1]]+v[i-1])
print(dp)
完全背包(物品的数量无限)
当物品数量无限时,选i的状态转移变成,我还能选i但是剩余容量为j-w[i]。dp[i][j]=max(dp[i][j-w[i]]+v[i]],dp[i-1][j])。代码如下:
dp = [[0 for _ in