最大子段和问题
① 给定由n个整数(包含负整数)组成的序列a1,a2,…,an,求该序列子段和的最大值。
i.当所有整数均为负值时定义其最大子段和为0。
②所求的最优值为:
i.例如,当(a1,a2, ……a7,a8)=(1,-3, 7,8,-4,12, -10,6)时,最大子段和为:
③bj是1到j位置的最大子段和:
④由bj的定义易知,当bj-1>0时bj=bj-1+aj,否则bj=aj。
⑤则计算bj的动态规划递归式:
bj=max{bj-1+aj,aj},1≤j≤n。
//计算最大子段和的动态规划算法
#define NUM 1001
int a[NUM];
int MaxSum(int n)
{
int sum=0;
int b=0;
for (int i=1;i<=n;i++)
{
if (b>0) b+=a[i]; else b=a[i];
if (b>sum) sum=b;
}
return sum;
}
计算最大子段和的动态规划算法的最优解
①令besti,bestj为最大子段和sum的起始位置和结束位置;
②在当前位置i,如果b[i-1] ≤0时,在取b[i]=a[i] 的同时,保存该位置i到变量begin中,显然:
i.当b(i-1)≤0时,begin=i;
ii.当b(i)≥sum时,besti=begin,bestj=i。
#define NUM 1001
int a[NUM];
int MaxSum(int n, int &besti, int &bestj)
{
int sum=0;
int b=0;
int begin = 0;
for (int i=1; i<=n; i++)
{
if (b>0) b+=a[i];
else {b=a[i]; begin = i;}
if (b>sum) //得到新的最优值时,更新最优解
{
sum = b;
besti = begin;
bestj = i;
}
}
return sum;
}
0—1背包问题
问题:给定一个物品集合s={1,2,3,…,n},物品i的重量是wi,其价值是vi,背包的容量为W,即最大载重量不超过W。在限定的总重量W内,我们如何选择物品,才能使得物品的总价值最大。
i.如果物品不能被分割,即物品i要么整个地选取,要么不选取;
ii.不能将物品i装入背包多次,也不能只装入部分物品i,则该问题称为0—1背包问题。
iii.如果物品可以拆分,则问题称为背包问题,适合使用贪心算法。
①假设xi表示物品i装入背包的情况,xi=0,1。
i.当xi=0时,表示物品没有装入背包;
ii.当xi=1时,表示把物品装入背包。
②约束方程:
③目标函数:
④因此问题就归结为找到一个满足上述约束方程,并使目标函数达到最大的解向量:
X={x1,x2,…,xn},
⑤0—1背包问题具有最优子结构性质,设所给0—1背包问题的子问题:
⑥i≤k≤n的最优值为p(i,j)。
i.是背包容量为j,可选物品为i,i+1,…,n时0-1背包问题的最优值。
⑦则建立计算p(i,j)的递归式如下:
#define NUM 50 //物品数量的上限
#define CAP 1500 //背包容量的上限
int w[NUM]; //物品的重量
int v[NUM]; //物品的价值
int p[NUM][CAP]; //用于递归的数组
//形参c是背包的容量W,n是物品的数量
void knapsack(int c, int n)
{
//计算递推边界
int jMax=min(w[n]-1,c); //分界点
for( int j=0; j<=jMax; j++) p[n][j]=0;
for( int j=w[n]; j<=c; j++) p[n][j]=v[n];
for( int i=n-1; i>1; i--) //计算递推式
{
jMax=min(w[i]-1,c);
for( int j=0; j<=jMax; j++)
p[i][j]=p[i+1][j];
for(int j=w[i]; j<=c; j++)
p[i][j]=max(p[i+1][j], p[i+1][j-w[i]]+v[i]);
}
p[1][c]=p[2][c]; //计算最优值
if (c>=w[1]) p[1][c]=max(p[1][c], p[2][c-w[1]]+v[1]);
}
//计算0-1背包问题的最优解
void traceback( int c, int n, int x[ ])
{
for(int i=1; i<n; i++)
{
if (p[i][c]==p[i+1][c]) x[i]=0;
else { x[i]=1; c-=w[i]; }
}
x[n]=(p[n][c])? 1:0;
}