01背包问题
题目详细
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,表示最大价值。
数据范围
0<N,V≤1000
0<vi,wi≤1000
输入样例
4 5
1 2
2 4
3 4
4 5
输出样例:
8
解题思路:
- 为什么题目叫做0 - 1 背包? (0,1)实际上指的是两种决策,即对于所有的商品我们有(0,1)两种选择,要么选择这件商品,要么不选择这件商品。
- 条件限制?
题目中一共有两个条件限制:
一:背包的容量,选择的物品有限。
二:要求所选物品的价值最大。 - 为什么选择动态规划?
首先,动态规划适用于寻找多决策问题的最优解。因为各阶段的决策相互关联,所以要找到整体最优的策略,而不是某个阶段“局部”的效果最优。我们要求的就是在背包体积的限制下,求得最大价值,即整体上最优。
其次,动态规划适用于当前决策对后继决策无影响的,即无后效性问题。在背包问题中,我们已经选择的物品,不会因为要拿后面的物品而把当前的物品丢掉,满足其无后效性。 - 动态规划思路
二维规划
- 状态方程:f[i][j] 表示,前i个物品中,在背包容积为j的条件下,所选物品的最大价值。
- 状态转移方程:f[i][j] = max(f[i - 1][j] , f[i - 1] [j - v] + w)
- 解释:对于每件物品,我们有可选以及不可选两种情况。如若可选(即背包容积大于其所占体积),我们又有 选和不选两种策略,利用max函数,在选和不选中取得使得当前价值最大一种,使得决策最优。若没得选,第i - 1 次的最优决策即为当前决策的最优。
代码如下:
#include<bits/stdc++.h>
using namespace std;
const int MAXN = 1005;
int v[MAXN]; // 体积
int w[MAXN]; // 价值
int f[MAXN][MAXN]; // f[i][j], j体积下前i个物品的最大价值
int main()
{
int n, m;
cin >> n >> m;
for(int i = 1; i <= n; i++)
cin >> v[i] >> w[i];
for(int i = 1; i <= n; i++)
for(int j = 1; j <= m; j++)
{
// 当前背包容量装不进第i个物品,则价值等于前i-1个物品
if(j < v[i])
f[i][j] = f[i - 1][j];
// 能装,需进行决策是否选择第i个物品
else
f[i][j] = max(f[i - 1][j], f[i - 1][j - v[i]] + w[i]);
}
cout << f[n][m] << endl;
return 0;
}
一维规划(空间优化):
从上述二维过程中我们可以看出,要求第 i 次的状态方程,我们所需要的信息实际上只有第i - 1 次的状态信息,我们可以用一个类似于滚动窗口,用一维的空间来完成这个过程。
- 状态方程 f[ j ] :背包容量 为 j 时的最大价值
- 状态转移方程:f[j] = max( f[j] , f[ j - v] + w)
- 注意:利用一维的时候我们对背包容积的遍历要逆序而行,因为我们在求f[j] 时要用到f[j - v]的信息,这里的f[j] 为第 i 次的信息, 而f[j - v]则是第 i - 1次的信息,对f [j] 更新后, 求解 f[j] 之前的信息不会用到 原来的 f[j]。
但如果是正序求解,则先对f[j] 之前的信息进行了更新,求解f[j]时所用的f[j - v]为更新后的,就无法求得正解。
例如,一维状态第i轮对体积为 33 的物品进行决策,则f[7]由f[4]更新而来,这里的f[4] 正确应该是 f[i - 1][4],但从小到大枚举j这里的f[4]在第i轮计算却变成了f[i][4]。当逆序枚举背包容量j时,我们求f[7]同样由f[4]更新,但由于是逆序,这里的f[4]还没有在第i轮计算,所以此时实际计算的f[4] 仍然是f[i - 1][4]。