背包问题（Knapsack Problem）—— 0/1 背包问题 —— 路径问题

最新推荐文章于 2023-08-04 15:36:52 发布
最新推荐文章于 2023-08-04 15:36:52 发布
阅读量472 收藏 1
点赞数
分类专栏： 算法模板笔记 文章标签： 算法 动态规划 01背包 路径
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/justidle/article/details/124946849
版权

背包路径

该问题是在标准 0/1 背包上增加了保存路径功能。一般对此类问题，我们采用逆序的方法，也就是在历史记录中，保存父亲是谁。

通过保存一个二维 path 数组，第一维表示物品个数，第二维表示背包重量。在完成 0/1 背包的过程中，保存历史即可。

样例数据分析

下面我们对如下输入数据进行分析

10 5
2 6
2 3
6 5
5 4
4 6

W = 10 W=10

了解本专栏 订阅专栏 解锁全文 超级会员免费看
努力的老周
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
记录路径的01背包问题
HOXJUN的博客
02-23 3940
在01背包问题中，求出最优解并记录背包内物品，动态规划的方法求其问题，最核心的公式为**f[i][j]=max{f[i-1][j],f[i-1][j-weight[i]]+value[i]}**， 在考虑当前第i个物品是否放入的时候就是比较 前面的**i-1**个物品放在容量为**j**的背包中时背包中总价值与 前面的**i-1**个物品放在容量为**j-weight[i]**的背包中并加上
动态规划--背包问题,最小路径和,不同路径总数
Yuer_Arya的博客
08-02 339
背包问题笔记 描述： 编号 1 2 3 4 体积 2 3 4 5 价值 3 4 5 6 放入一个体积为8的背包，怎样使背包所装东西的价值最大 背包容量从0以1单位递增，当前背包容量下，两个问题考虑：放不放的下当前物品；放得下的话，放不放这个物品，放了的价值就是把这个物品所占容积减出来剩下物品实现的价值加上当前放进去物品的价值，不放的话就是之前已经放进去的物品的总价值 放个视频链接：背包问题讲解 在这里插入代码片include<iostream> using namespace std; cons
动态规划之背包问题
m0_64226820的博客
07-26 8679
动态规划的背包问题总结
背包九讲——九种背包问题的算法思路+代码分析
鱼香rose_的博客
08-04 3246
其实九种背包问题都是由01背包问题延伸而来，因为其他背包问题都是在01背包问题上加了一些其他条件或限制。只要01背包的思想完全掌握，那么在学习其他背包问题的时候都能够很快理解，在解决其他背包问题时基本只是在01背包基础上，增加一些判断，或是在01背包思想的基础上根据题目要求做出一些调整。因此本篇在刚开始介绍01背包的时候会花费较多笔墨，尽量保证大家能够理解01背包，接下来后面的背包问题就会只对于题目相对01背包作出的更改进行讲解。
背包问题——“01背包”详解及实现（包含背包中具体物品的求解）
热门推荐
wumuzi520的专栏
11-26 5万+
-----Edit by ZhuSenlin HDU          01背包是在M件物品取出若干件放在空间为W的背包里，每件物品的体积为C1，C2，…，Cn，与之相对应的价值为W1,W2，…，Wn.求解将那些物品装入背包可使总价值最大。         动态规划（DP）：         1） 子问题定义：F[i][j]表示前i件物品中选取若干件物品放入剩余空间为j的背包中所能得到的最大
经典背包问题（Knapsack Problem）的Java和Python实现
最新发布
06-28
背包问题：经典背包问题（Knapsack Problem）的Java和Python实现； 背包问题：经典背包问题（Knapsack Problem）的Java和Python实现； 背包问题：经典背包问题（Knapsack Problem）的Java和Python实现； 背包问题：...
beibaowenti.rar_Knapsack Problem _背包问题
09-23
- **0-1背包问题**：每个物品只能被选择一次，即要么全选要么不选。 - **完全背包问题**：每个物品可以无限数量地放入背包，只要不超过背包容量。 - **多重背包问题**：每个物品有有限的数量，可以选择多次，但...
beibaowenti.rar_1背包问题_Knapsack_Knapsack Problem _回溯算法_背包问题
09-22
0-1背包问题是一个经典的组合优化问题，在计算机科学和运筹学中有着广泛的应用。它描述的是这样的场景：你有一组物品，每种物品都有一个重量和一个价值，你有一个容量有限的背包，你需要决定应该选择哪些物品放入...
背包问题.zip_Knapsack Problem _NP问题_完全背包_背包 问题_背包问题
07-15
背包问题(Knapsack problem)是一种组合优化的NP完全问题
0-1-knapsack-problem.rar_0-1 knapsack_0-1背包问题_0/1背包_knaspack _模拟
07-15
模拟退火解决0-1背包问题，初学者可以借鉴
路径规划几种算法的比较与分析
04-06
关于路径规划的几种算法的比较与分析，为解决物流配送的路径问题提供一些帮助或想法
Group-Knapsack-Problem:我自己的算法，可以通过动态编程和完整搜索来解决背包问题
04-27
小组背包问题 我自己的算法，可以通过动态编程和完整搜索来解决背包问题，作者：丹尼·冯（Danny Feng）
01背包记录路径
Destinymiao的博客
08-07 2495
 用二维数组来记录，path[ m ] [ n ] 。其中m表示物品（m&lt;=物品数），n表示背包状态（n&lt;=背包容量）。 比如 path [ i ] [ j ] 表示物品 i 放在了状态 j 的背包中。 前提条件：path数组全部为0， 代码实现记录路径： for(int i=0;i&lt;n;i++) for(int j=V;j&gt;=v[i];j--) ...
0-1背包问题的四种写法
weixin_30902675的博客
05-20 797
本节回顾0-1背包的基本模型，关于它的实现有很多种写法，这里对不同实现做个简单列举，主要是写代码练手了，主要有以下几方面内容： ==0-1背包问题定义 & 基本实现 ==0-1背包使用滚动数组压缩空间 ==0-1背包使用一维数组 ==0-1背包恰好背满 ==0-1背包输出最优方案 ======================================== ...
01背包问题（空间优化，路径打印）
给我加个蛋再走
12-20 685
//写在前面 //01问题：有N个物品，每个物品都有其对应的体积和价值 //有一个容量为V的背包问怎样放能使背包中物品的价值最大 //状态转移方程为：f[i][v]=max(f[i-1][v],f[i-1][v-a[i]+b[i]) //当使用空间优化是状态转移方程为：f[v]=max(f[v],f[v-a[i]]+b[i]) #include <iostream> #in...
01背包状态压缩和记录路径
有梦的博客
12-14 3316
01背包的状态压缩   当然肯定是看了别人的博客，我再重复一下，大神链接：点击打开链接 1、        在看之前希望你已经弄懂了空间复杂度在O（n*w）的算法，空间的压缩到O（w）的状态，其实本质还是一样的，就是从i-1的状态去求解i的状态，在这先看代码: for(int i=1;i<=n;++i) { for(int j=w;j>=c[i];--j) dp[j]=get
01背包问题
刘猿猿
09-10 918
有 N 件物品和一个容量是 V 的背包。每件物品只能使用一次。 第 i 件物品的体积是 vi，价值是 wi。 求解将哪些物品装入背包，可使这些物品的总体积不超过背包容量，且总价值最大。 输出最大价值。 输入格式 第一行两个整数，N，V，用空格隔开，分别表示物品数量和背包容积。 接下来有 N 行，每行两个整数 vi,wi，用空格隔开，分别表示第 i 件物品的体积和价值。 输出格式 输出一个整数，表示...
背包算法的简要思路（精髓版）
m0_53004056的博客
04-27 840
背包算法【动态规划实现】 背包算法是给出了n个物品的价值与重量，以及最大承重W，求出最大承重内的物品最大总价值。 我们从开头开始分析：0个物品和0承重的总价值都是0，令F[i][j]为总价值，当w(i）> j时，该物体不能放入，f[i][j]就等于f[i-1][j];当w[i] < j时，判断物体是否可以放入，比较F[I-1][j]和F[I-1][j-w(I)]+v[i]的大小，取较大的值。 专门再令一个数组储存所取的物品标号。 代码实现： ...
0/1背包问题的分支限界算法的java代码
05-31
以下是0/1背包问题的分支限界算法的Java代码： ```java import java.util.*; public class KnapsackProblem { private static class Item { int weight; int value; double density; public Item(int w, int v) { weight = w; value = v; density = (double) v / (double) w; } } private static class Node { int level; int weight; int value; double bound; public Node(int l, int w, int v, double b) { level = l; weight = w; value = v; bound = b; } } public static int knapsack(int W, int[] weights, int[] values, int n) { Item[] items = new Item[n]; for (int i = 0; i < n; i++) { items[i] = new Item(weights[i], values[i]); } Arrays.sort(items, (a, b) -> Double.compare(b.density, a.density)); Queue<Node> queue = new PriorityQueue<>((a, b) -> Double.compare(b.bound, a.bound)); Node root = new Node(-1, 0, 0, bound(items, W, -1, 0, 0)); queue.offer(root); int maxProfit = 0; while (!queue.isEmpty()) { Node node = queue.poll(); if (node.bound > maxProfit) { if (node.level == n - 1) { maxProfit = node.value; } else { int level = node.level + 1; int weight = node.weight + items[level].weight; int value = node.value + items[level].value; if (weight <= W && value > maxProfit) { maxProfit = value; } double bound = bound(items, W, level, weight, value); if (bound > maxProfit) { queue.offer(new Node(level, weight, value, bound)); } queue.offer(new Node(level, node.weight, node.value, bound)); } } } return maxProfit; } private static double bound(Item[] items, int W, int level, int weight, int value) { double bound = value; int i = level + 1; int remainingWeight = W - weight; while (i < items.length && remainingWeight > 0) { if (items[i].weight <= remainingWeight) { bound += items[i].value; remainingWeight -= items[i].weight; } else { bound += items[i].density * remainingWeight; remainingWeight = 0; } i++; } return bound; } public static void main(String[] args) { int W = 50; int[] weights = {10, 20, 30}; int[] values = {60, 100, 120}; int n = weights.length; int maxProfit = knapsack(W, weights, values, n); System.out.println("Max profit: " + maxProfit); } } ``` 其中，`Item`类表示物品，包含物品的重量、价值和单位重量价值；`Node`类表示搜索树的节点，包含节点的层数、已选物品的重量、价值和上界；`knapsack`方法是求解0/1背包问题的分支限界算法的主函数；`bound`方法是计算节点的上界。在`knapsack`方法中，首先将物品按单位重量价值从大到小排序；然后创建一个优先队列，将根节点入队；接着不断从队列中取出节点，如果该节点的上界比当前最大价值还要大，则扩展该节点，计算其左右儿子节点的上界，并将其入队。最终返回最大价值。在`bound`方法中，先计算已选物品的价值，然后从当前层的下一层开始，按单位重量价值从大到小选择物品，直到不能继续放入为止。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

努力的老周

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值