背包问题

装箱问题

有一个箱子容量为v（正整数，0≤v≤20000），同时有n个物品（0<n≤30），每个物品有一个体积（正整数）。

要求从n个物品中，任取若干个装入箱内，使箱子的剩余空间为最小。

输入：

箱子的容量v

  物品数n

  接下来n行，分别表示这n个物品的体积

输出：

  箱子剩余空间

输入输出样例

输入：24  

6  

8    

3

12

7

9

7

输出：  0  

题解`

1. 使用回溯法计算箱子的最小剩余空间

容量为v的箱子究竟应该装入哪些物品可使得剩余空间最小。显然在n个物品的体积和小于等于v的情况下，剩余空间为v-n个物品的体积和。但在n个物品的体积和大于v的情况下，没有一种可以直接找到问题解的数学方法。无奈之下，只能采用搜索的办法。设

a和s为箱子的体积序列。其中a[i]为箱子i的体积，s[i]为前i个箱子的体积和 （1≤i≤n）；

best为目前所有的装箱方案中最小的剩余空间。初始时best=v；

确定搜索的几个关键因素：

状态（k，v’）：其中k为待装入箱子的物品序号，v’为箱子目前的剩余空间。

目标v’<best：若箱子的剩余空间为目前为止最小，则best调整为v’（best←v）；

边界条件（v’-（s[n]-s[k-1]））≥best：即便剩下的物品全部装入箱子(未装物品的体积和为s[n]-s[k-1])，其剩余空间仍不小于best，则放弃当前方案，回溯；

搜索范围：在未装入全部物品的前提下（k≤n），搜索两种可能情况：

l         若剩余空间装得下物品k（v’≥a[k]），则物品k装入箱子，递归计算子状态（k+1，v’-a[k]）；

l         物品k不装入箱子，递归计算子状态（k+1，v’）；

我们用递归过程search(k，v)描述这一搜索过程：

procedure search(k，v:integer)；   {从状态(k，v)出发，递归计算最小剩余空间}

    begin

  if v<best then best←v；            {若剩余空间为目前最小，则调整best}

    if v-(s[n]-s[k-1])>=best  {若箱子即便装下全部物品，其剩余空间仍不小于best，则回溯}

then exit；

    if k<=n               {在未装入全部物品的前提下搜索两种可能情况}

    then begin

           if v>=a[k]       {若剩余空间装得下物品k，则物品k装入箱子，递归计算子状态}

then search(k+1，v-a[k])；

            search(k+1，v)；       {物品k不装入箱子，递归计算子状态}

           end；{then}

    end；{search}

 

主程序如下：

读箱子体积v；

    读物品个数n；

    s[0] ←0；                        {物品装入前初始化}

for i←1 to n do                    {输入和计算箱子的体积序列}

    begin

      读第i个箱子的体积a[i]；

      s[i]←s[i-1]+a[i]；

    end；{for}

best←v；                      {初始时，最小剩余空间为箱子体积}

if s[n]<=v then best←v-s[n] {若所有物品能全部装入箱子，则剩余空间为问题解}

               else search(1，v)；     {否则从物品1出发，递归计算最小剩余空间}

    输出最小剩余空间best；

 

2. 使用动态程序设计方法计算箱子的最小剩余空间

  如果按照物品序号依次考虑装箱顺序的话，则问题具有明显的阶段特征。问题是当前阶段的剩余空间最小，并不意味下一阶段的剩余空间也一定最小，即该问题并不具备最优子结构的特征。但如果将装箱的体积作为状态的话，则阶段间的状态转移关系顺其自然，可使得最优化问题变为判定性问题。设状态转移方程

  f[i，j]——在前i个物品中选择若干个物品（必须包括物品i）装箱，其体积正好为j的标志。显然f[i，j]=f[i-1，j-box[i]]，即物品i装入箱子后的体积正好为j的前提是f[i-1，j-box[i]]=true。初始时，f[0，0]=true（1≤i≤n，box[i]≤j≤v）。

由f[i，j]=f[i-1，j-box[i]]可以看出，当前阶段的状态转移方程仅与上一阶段的状态转移方程攸关。因此设f0为i-1阶段的状态转移方程，f1为i阶段的状态转移方程，这样可以将二维数组简化成一维数组。我们按照下述方法计算状态转移方程f1：

fillchar(f0, sizeof(f0),0)；            {装箱前，状态转移方程初始化}

    f0[0]←true；

    for i←1 to n do             {阶段i:按照物品数递增的顺序考虑装箱情况}

      begin

        f1←f0；                        {i阶段的状态转移方程初始化}

        for j←box[i] to v do         {状态j：枚举所有可能的装箱体积}

          if f0[j-box[i]] then f1[j]←true；{若物品i装入箱子后的体积正好为j,则物品i装入箱子}

        f0←f1；                     {记下当前装箱情况}

  end；{for}

 

经过上述运算，最优化问题转化为判定性问题。再借用动态程序设计的思想，计算装箱的最大体积     k= 。显然最小剩余空间为v-k:

for i←v downto 0 do        {按照递减顺序枚举所有可能的体积}

      if f1[i] then begin {若箱子能装入体积为i的物品，则输出剩余空间v-i，并退出程序}

                      writeln(v-i)； halt

                    end；{then}

    end.{for}

    writeln(v)；         {在未装入一个物品的情况下输出箱子体积}

 

 

装箱问题

有一个箱子容量为v（正整数，0≤v≤20000），同时有n个物品（0<n≤30），每个物品有一个体积（正整数）。

要求从n个物品中，任取若干个装入箱内，使箱子的剩余空间为最小。

输入：

箱子的容量v

  物品数n

  接下来n行，分别表示这n个物品的体积

输出：

  箱子剩余空间

输入输出样例

输入：24  

6  

8    

3

12

7

9

7

输出：  0  

题解`

1. 使用回溯法计算箱子的最小剩余空间

容量为v的箱子究竟应该装入哪些物品可使得剩余空间最小。显然在n个物品的体积和小于等于v的情况下，剩余空间为v-n个物品的体积和。但在n个物品的体积和大于v的情况下，没有一种可以直接找到问题解的数学方法。无奈之下，只能采用搜索的办法。设

a和s为箱子的体积序列。其中a[i]为箱子i的体积，s[i]为前i个箱子的体积和 （1≤i≤n）；

best为目前所有的装箱方案中最小的剩余空间。初始时best=v；

确定搜索的几个关键因素：

状态（k，v’）：其中k为待装入箱子的物品序号，v’为箱子目前的剩余空间。

目标v’<best：若箱子的剩余空间为目前为止最小，则best调整为v’（best←v）；

边界条件（v’-（s[n]-s[k-1]））≥best：即便剩下的物品全部装入箱子(未装物品的体积和为s[n]-s[k-1])，其剩余空间仍不小于best，则放弃当前方案，回溯；

搜索范围：在未装入全部物品的前提下（k≤n），搜索两种可能情况：

l         若剩余空间装得下物品k（v’≥a[k]），则物品k装入箱子，递归计算子状态（k+1，v’-a[k]）；

l         物品k不装入箱子，递归计算子状态（k+1，v’）；

我们用递归过程search(k，v)描述这一搜索过程：

procedure search(k，v:integer)；   {从状态(k，v)出发，递归计算最小剩余空间}

    begin

  if v<best then best←v；            {若剩余空间为目前最小，则调整best}

    if v-(s[n]-s[k-1])>=best  {若箱子即便装下全部物品，其剩余空间仍不小于best，则回溯}

then exit；

    if k<=n               {在未装入全部物品的前提下搜索两种可能情况}

    then begin

           if v>=a[k]       {若剩余空间装得下物品k，则物品k装入箱子，递归计算子状态}

then search(k+1，v-a[k])；

            search(k+1，v)；       {物品k不装入箱子，递归计算子状态}

           end；{then}

    end；{search}

 

主程序如下：

读箱子体积v；

    读物品个数n；

    s[0] ←0；                        {物品装入前初始化}

for i←1 to n do                    {输入和计算箱子的体积序列}

    begin

      读第i个箱子的体积a[i]；

      s[i]←s[i-1]+a[i]；

    end；{for}

best←v；                      {初始时，最小剩余空间为箱子体积}

if s[n]<=v then best←v-s[n] {若所有物品能全部装入箱子，则剩余空间为问题解}

               else search(1，v)；     {否则从物品1出发，递归计算最小剩余空间}

    输出最小剩余空间best；

 

2. 使用动态程序设计方法计算箱子的最小剩余空间

  如果按照物品序号依次考虑装箱顺序的话，则问题具有明显的阶段特征。问题是当前阶段的剩余空间最小，并不意味下一阶段的剩余空间也一定最小，即该问题并不具备最优子结构的特征。但如果将装箱的体积作为状态的话，则阶段间的状态转移关系顺其自然，可使得最优化问题变为判定性问题。设状态转移方程

  f[i，j]——在前i个物品中选择若干个物品（必须包括物品i）装箱，其体积正好为j的标志。显然f[i，j]=f[i-1，j-box[i]]，即物品i装入箱子后的体积正好为j的前提是f[i-1，j-box[i]]=true。初始时，f[0，0]=true（1≤i≤n，box[i]≤j≤v）。

由f[i，j]=f[i-1，j-box[i]]可以看出，当前阶段的状态转移方程仅与上一阶段的状态转移方程攸关。因此设f0为i-1阶段的状态转移方程，f1为i阶段的状态转移方程，这样可以将二维数组简化成一维数组。我们按照下述方法计算状态转移方程f1：

fillchar(f0, sizeof(f0),0)；            {装箱前，状态转移方程初始化}

    f0[0]←true；

    for i←1 to n do             {阶段i:按照物品数递增的顺序考虑装箱情况}

      begin

        f1←f0；                        {i阶段的状态转移方程初始化}

        for j←box[i] to v do         {状态j：枚举所有可能的装箱体积}

          if f0[j-box[i]] then f1[j]←true；{若物品i装入箱子后的体积正好为j,则物品i装入箱子}

        f0←f1；                     {记下当前装箱情况}

  end；{for}

 

经过上述运算，最优化问题转化为判定性问题。再借用动态程序设计的思想，计算装箱的最大体积     k= 。显然最小剩余空间为v-k:

for i←v downto 0 do        {按照递减顺序枚举所有可能的体积}

      if f1[i] then begin {若箱子能装入体积为i的物品，则输出剩余空间v-i，并退出程序}

                      writeln(v-i)； halt

                    end；{then}

    end.{for}

    writeln(v)；         {在未装入一个物品的情况下输出箱子体积}