背包问题全解析

背包问题

阅读崔添翼老师《背包九讲》后，个人所作总结

目录

1. 01背包
2. 完全背包
3. 多重背包
4. 混合背包
5. 二维费用背包
6. 分组背包
7. 有依赖的背包问题
8. 泛化物品
9. 背包问题目标的变化

01背包

1. 题目描述：有N件物品和一个容量为V的背包。放入第i件物品耗费的费用是Ci，得到的价值是Wi。求解将哪些物品装入背包可使价值总和最大。

2. 特点：每种物品只有一件，选择放或不放。

3. 状态：F[i,v]表示前i件物品恰放入一个容量为v的背包可以获得的最大价值。

4. 状态转移方程（在考虑第i件物品时，只有放和不放两种情况）：F[i,v]=max{F[i−1,v],F[i−1,v−Ci]+Wi}。

   // 伪代码
   F[0,0..V]←0
   for i ← 1 to N
       for v ← Ci to V
           F[i,v] ← max{F[i−1,v],F[i−1,v−Ci]+Wi}
   

5. 边界：相当于啥都不放，背包获得的最大价值（可推广到其它类型的背包问题）

   • 要求恰好装满背包：F[0]为0，其它F[1..V]均设为−∞
   • 背包可以不装满：F[0..V]均设为0

6. 空间优化：用F[v]以及第i次循环表示前i件物品恰放入容量为v的背包获得的最大价值。

   // 伪代码
   F[0..V]←0
   for i ← 1 to N
       // 逆序保证F[v-Ci]是F[i-1,v-Ci]，确定物品不会重复取，否则会出现重复取的
       for v ← V to Ci
           F[v] ← max{F[v],F[v−Ci]+Wi}
   // 综合一下
   def ZeroOnePack(F,Ci,Wi)
       for v ← V to C
           F[v] ← max(F[v],F[v−C]+W)
   
   for i ← 1 to N
       ZeroOnePack(F,Ci,Wi);
   

顶部

完全背包

1. 题目描述：和01背包类似，只不过物品可以是无限件。

2. 特点：物品可以是无限件，取0,1,2…⌊V/Ci⌋件。

3. 状态：F[i,v]表示前i种物品恰放入一个容量为v的背包可以获得的最大价值。

4. 状态转移方程：以01背包的思路，在考虑第i件物品时，有取0,1,2…⌊V/Ci⌋件，从而得到F[i,v]=max{ F[i−1,v−kCi] + kWi | 0 ≤ kCi ≤ v}。

5. 时间优化

   • 对数据的初步筛选O(N2)：若两件物品i、j满足Ci≤Cj且Wi≥Wj，则将可以将物品j直接去掉，不用考虑。
   • （未改进时间复杂度）将无法确定下来的第i种物品，分解成⌊V/Ci⌋件价值相同，花费相同的物品，转换成01背包。
   • 第二种的改进版（二进制思想）将第i种物品拆成费用为Ci2k、价值为Wi2k的物件，k取遍Ci2k≤V的所有整数。

6. 最终O(VN)的算法：

   // 伪代码
   F[0..V]←0
   for i ← 1 to N
       // 和01背包相反，需要一个可能已选入第i种物品的子结果F[i,v−Ci]
       for v ← Ci to V
           F[v] ← max{F[v],F[v−Ci]+Wi}
   // 综合一下
   def CompletePack(F,Ci,Wi)
       for v ← C to V
           F[v] ← max(F[v],F[v−C]+W)
   
   for i ← 1 to N
       CompletePack(F,Ci,Wi);
   

顶部

多重背包

1. 题目描述：较完全背包，第i种物品最多有Mi件可用。

2. 状态：F[i,v]表示前i种物品恰放入一个容量为v的背包可以获得的最大价值。

3. 状态转移方程：和完全背包类似，只是限制条件由⌊V/Ci⌋转换为Mi。
   F[i，v]=max{F[i−1,v−k∗Ci]+k∗Wi|0≤k≤Mi}

4. 时间优化：

   • 同样考虑拆分物品转换为01背包，运用二进制的思想，则将物品转换为1,2,4…2^{(k−1),Mi−2}k+1（k是满足Mi−2k+1>0的最大整数），则可以用这些系数组合成0-M的任何数字。将第i种物品分成了O(logMi)种物品。伪代码如下：

   def MultiplePack(F,C,W,M)
       // M的限制太小，转换为完全背包
       if C·M > V
           CompletePack(F,C,W)
           return
       // 遍历拆分的所有第i种物品,1,2,4...2^k
       k ← 1
       while k < M
           ZeroOnePack(F,kC,kW)
           M ← M - k
           k ← 2k
       // 最后一项
       ZeroOnePack(F,CM,WM)
   // 循环每种物品
   for i ← 1 to N
       MultiplePack(F,Ci,Wi,Mi);
   

5. 延申：当考虑每种若干件的物品能否填满给定容量的背包时，即不考虑价值，只考虑可行性，可优化为O(VN)

顶部

混合背包

1. 题目描述：存在只有1件、无限件、M件的物品。

2. 直接的想法：判断该种物品为那种类型，调用对应的方法即可。

   for i ← 1 to N
       if 第i件物品属于01背包
           ZeroOnePack(F,Ci,Wi)
       else if 第i件物品属于完全背包
           CompletePack(F,Ci,Wi)
       else if 第i件物品属于多重背包
           MultiplePack(F,Ci,Wi,Ni)
   

顶部

二维费用背包

1. 题目描述：每一个物品，有两种费用，对应的也有两个背包容量，求最大价值。

2. 基本思路：在原有基础上，多加一维即可。

3. 状态：F[i,v,u]表示前i件物品付出两种费用分别为v和u时可获得的最大价值。

4. 状态转移方程：类似
   F[i,v,u]=max{F[i−1,v,u],F[i−1,v−Ci,u−Di]+Wi}

5. 空间优化：同理，使用F[V,U]。

6. 处理不同类型的物品和一维的一致。

7. 一维到二维的变形：

   • 第二维费用可能是隐含给出，比如物品总件数的限制，注意抽象。
   • 若题目由熟悉的DP变形而来，先考虑能否运用之前的状态和转移方程，做一定改变，比如在原来的状态加一维。

顶部

分组背包

1. 题目描述：有N件物品和一个容量为V的背包。第i件物品的费用是Ci，价值是Wi。这些物品被划分为K组，每组中的物品互相冲突，最多选一件。求解将哪些物品装入背包可使这些物品的费用总和不超过背包容量，且价值总和最大。

2. 状态：F[k,v]表示前k组物品花费费用v能取得的最大权值。

3. 状态转移方程：即将问题转换为是选k组中的某一件物品，还是不选，转换为01背包问题。
   F[k,v]=max{F[k−1,v],F[k−1,v−Ci]+Wi|itemi∈groupk}

4. 空间优化：和01背包一致，使用一维数组。

   for k ← 1 to K
       for v ← V to 0
           for all item i in group k
               F[v] ← max(F[v], F[v-Ci] + Wi)
   

5. 时间优化：可参考完全背包中的数据筛选。

顶部

有依赖的背包问题

1. 问题描述：物品i依赖于物品j，表示若选物品i，则必须选物品j。为了简化起见，我们先设没有某个物品既依赖于别的物品，又被别的物品所依赖；另外，没有某件物品同时依赖多件物品。

   主件：不依赖于别的物品的物品
   附件：依赖于某主件的物品

2. 分析

   • 参考拆分物品和分组背包的思想，将一件主件和其n个附件集合做为一组，则可转换成一个也不选，仅选择主件，选择主件后再选择一个附件，选择主件后再选择两个附件…共2^n+1个等效物品。显然需要优化！
   • 参考完全背包中的时间优化第一点，对相同费用的物品进行筛选，则可将2^n+1个转换成V−Ck+1个。复杂度可接受了。
   • 最后，只需将所有物品进行分组，组内进行物品拆分，运用分组背包算法即可。

3. 一般化：若依赖关系是森林的形式（树形DP），即附件仍可是其他附件的主件，但不存在多重依赖和循环依赖的情况。

   • 仍使用之前的算法，但将拥有附件集合的附件看作物品组，并解出其在不同容量的价值（组内实际上也是基本有依赖的背包问题）；
   • 将所有有附件集合的附件解出后，转换成了基本的有依赖背包问题。

   树形DP：在求父节点的属性值之前,需要使用DP的方法先求得其所有子节点的所有属性

顶部

泛化物品

1. 概念：没有固定的费用和价值，随分配的费用变化而变化，即给定费用c，可得到价值w = h©。
   • 01背包：if(c == Ci) h(c) = Wi; else h(c) = 0;
   • 完全背包：if(c%Ci == 0) h(c) = Wi*(v/Ci); else h(c) = 0;
   • 多重背包：if(c%Ci == 0 && v <= Ci*Mi) h(c) = Wi*(v/Ci); else h(c) = 0;
   • 物品组：一个物品组即为一个泛化物品h。if(存在费用为c的物品) h(c) = 所有费用为c的物品的最大价值; else h(c) = 0;

顶部

背包问题目标的变化

以01背包为例，其他问题类似！

1. 总价值的改变

   • 最多可放多少件物品：所有物品的价值 = 1
   • 最多可装满多少空间：物品价值 = 物品费用
   • 最小：将max改为min

2. 输出方案

   • 引入G[i,v]：0 - F[i,v] = F[i−1,v]；1 - F[i,v] = F[i−1,v−Ci] + Wi
   • 输出结果：

   i = N
   v = V
   while i > 0
       if G[i,v] == 0
           print 未选第i项物品
       else if G[i,v] == 1
           print 选第i项物品
           v = v - Ci
       i = i - 1
   

   DP问题输出方案的一般方法：记录每个状态的最优值是由状态转移方程中哪一个状态转移而来，因此当给出一个状态，可由此推出上一个状态，循环往复得到完整的方案！

3. 方案总数

   • 除求可得到的最大价值外，还需得到装满背包或将背包装至某一指定容量的方案总数。将max改成sum即可（初始条件是F[0,0]=1）F[i,v] = sum{F[i−1,v],F[i,v−Ci]}
   • 最优（物品总价值最大）方案的总数：引入G[i,v]表示这个子问题的最优方案的总数，则原代码修改为：

   G[0,0] = 1
   for i = 1 to N
       for j = 0 to V
           F[i,v] = max(F[i−1,v],F[i−1,v−Ci] + Wi)
           G[i,v] = 0
           if F[i,v] == F[i−1,v]
               G[i,v] = G[i,v] + G[i-1][v]
           else
               G[i,v] = G[i,v] + G[i-1][v-Ci]
   

4. 求次优解、第 K 优解

   • 将状态转换为有序队列，将状态转移方程中的max/min/sum转换为有序队列的合并，实际上就是在原来的方程中加了一维来表示结果的优先次序。
   • 状态：F[i,v] => F[i,v,1…K] 表示前i个物品中，背包大小为v时，第k优解的值
   • 状态转移方程
     • F[i−1][V] => F[i−1,v,1…K]
     • F[i−1,v−Ci] + Wi => F[i−1,v−Ci,1…K]的每个数加上Wi
     • 合并上述两个队列，并将前K项存到F[i,v,1…K]中
   • 注意点：若将策略不同但权值相同的两个方案是看作同一个解，则需要保证队列中的数没有重复！