问题描述
有n个物品,它们有各自的体积和价值,现有给定容量的背包,如何让背包里装入的物品具有最大的价值总和?
为方便讲解和理解,下面讲述的例子均先用具体的数字代入,即:eg:number=4,capacity=8
i(物品编号) | 1 | 2 | 3 | 4 |
w(体积) | 2 | 3 | 4 | 5 |
v(价值) | 3 | 4 | 5 | 6 |
总体思路
根据动态规划解题步骤(问题抽象化、建立模型、寻找约束条件、判断是否满足最优性原理、找大问题与小问题的递推关系式、填表、寻找解组成)找出01背包问题的最优解以及解组成,然后编写代码实现。
动态规划的原理
动态规划与分治法类似,都是把大问题拆分成小问题,通过寻找大问题与小问题的递推关系,解决一个个小问题,最终达到解决原问题的效果。但不同的是,分治法在子问题和子子问题等上被重复计算了很多次,而动态规划则具有记忆性,通过填写表把所有已经解决的子问题答案纪录下来,在新问题里需要用到的子问题可以直接提取,避免了重复计算,从而节约了时间,所以在问题满足最优性原理之后,用动态规划解决问题的核心就在于填表,表填写完毕,最优解也就找到。
最优性原理是动态规划的基础,最优性原理是指“多阶段决策过程的最优决策序列具有这样的性质:不论初始状态和初始决策如何,对于前面决策所造成的某一状态而言,其后各阶段的决策序列必须构成最优策略”。
背包问题的解决过程
在解决问题之前,为描述方便,首先定义一些变量:Vi表示第 i 个物品的价值,Wi表示第 i 个物品的体积,定义V(i,j):当前背包容量 j,前 i 个物品最佳组合对应的价值,同时背包问题抽象化(X1,X2,…,Xn,其中 Xi 取0或1,表示第 i 个物品选或不选)。
1、建立模型,即求max(V1X1+V2X2+…+VnXn);
2、寻找约束条件,W1X1+W2X2+…+WnXn<capacity;
3、寻找递推关系式,面对当前商品有两种可能性:
- 包的容量比该商品体积小,装不下,此时的价值与前i-1个的价值是一样的,即V(i,j)=V(i-1,j);
- 还有足够的容量可以装该商品,但装了也不一定达到当前最优价值,所以在装与不装之间选择最优的一个,即V(i,j)=max{V(i-1,j),V(i-1,j-w(i))+v(i)}。
其中V(i-1,j)表示不装,V(i-1,j-w(i))+v(i) 表示装了第i个商品,背包容量减少w(i),但价值增加了v(i);
由此可以得出递推关系式:
- j<w(i) V(i,j)=V(i-1,j)
- j>=w(i) V(i,j)=max{V(i-1,j),V(i-1,j-w(i))+v(i)}
这里需要解释一下,为什么能装的情况下,需要这样求解(这才是本问题的关键所在!):
可以这么理解,如果要到达V(i,j)这一个状态有几种方式?
肯定是两种,第一种是第i件商品没有装进去,第二种是第i件商品装进去了。没有装进去很好理解,就是V(i-1,j);装进去了怎么理解呢?如果装进去第i件商品,那么装入之前是什么状态,肯定是V(i-1,j-w(i))。由于最优性原理(上文讲到),V(i-1,j-w(i))就是前面决策造成的一种状态,后面的决策就要构成最优策略。两种情况进行比较,得出最优。
4、填表,首先初始化边界条件,V(0,j)=V(i,0)=0;
然后一行一行的填表:
- 如,i=1,j=1,w(1)=2,v(1)=3,有j<w(1),故V(1,1)=V(1-1,1)=0;
- 又如i=1,j=2,w(1)=2,v(1)=3,有j=w(1),故V(1,2)=max{ V(1-1,2),V(1-1,2-w(1))+v(1) }=max{0,0+3}=3;
- 如此下去,填到最后一个,i=4,j=8,w(4)=5,v(4)=6,有j>w(4),故V(4,8)=max{ V(4-1,8),V(4-1,8-w(4))+v(4) }=max{9,4+6}=10……
所以填完表如下图:
5、表格填完,最优解即是V(number,capacity)=V(4,8)=10。
代码实现
为了和之前的动态规划图可以进行对比,尽管只有4个商品,但是我们创建的数组元素由5个。
-
#include<iostream>
-
using
namespace
std;
-
#include <algorithm>
-
-
int main()
-
{
-
int w[
5] = {
0 ,
2 ,
3 ,
4 ,
5 };
//商品的体积2、3、4、5
-
int v[
5] = {
0 ,
3 ,
4 ,
5 ,
6 };
//商品的价值3、4、5、6
-
int bagV =
8;
//背包大小
-
int dp[
5][
9] = { {
0 } };
//动态规划表
-
-
for (
int i =
1; i <=
4; i++) {
-
for (
int j =
1; j <= bagV; j++) {
-
if (j < w[i])
-
dp[i][j] = dp[i -
1][j];
-
else
-
dp[i][j] = max(dp[i -
1][j], dp[i -
1][j - w[i]] + v[i]);
-
}
-
}
-
-
//动态规划表的输出
-
for (
int i =
0; i <
5; i++) {
-
for (
int j =
0; j <
9; j++) {
-
cout << dp[i][j] <<
' ';
-
}
-
cout <<
endl;
-
}
-
-
return
0;
-
}
背包问题最优解回溯
通过上面的方法可以求出背包问题的最优解,但还不知道这个最优解由哪些商品组成,故要根据最优解回溯找出解的组成,根据填表的原理可以有如下的寻解方式:
- V(i,j)=V(i-1,j)时,说明没有选择第i 个商品,则回到V(i-1,j);
- V(i,j)=V(i-1,j-w(i))+v(i)时,说明装了第i个商品,该商品是最优解组成的一部分,随后我们得回到装该商品之前,即回到V(i-1,j-w(i));
- 一直遍历到i=0结束为止,所有解的组成都会找到。
就拿上面的例子来说吧:
- 最优解为V(4,8)=10,而V(4,8)!=V(3,8)却有V(4,8)=V(3,8-w(4))+v(4)=V(3,3)+6=4+6=10,所以第4件商品被选中,并且回到V(3,8-w(4))=V(3,3);
- 有V(3,3)=V(2,3)=4,所以第3件商品没被选择,回到V(2,3);
- 而V(2,3)!=V(1,3)却有V(2,3)=V(1,3-w(2))+v(2)=V(1,0)+4=0+4=4,所以第2件商品被选中,并且回到V(1,3-w(2))=V(1,0);
- 有V(1,0)=V(0,0)=0,所以第1件商品没被选择。
代码实现
背包问题最终版详细代码实现如下:
-
#include<iostream>
-
using
namespace
std;
-
#include <algorithm>
-
-
int w[
5] = {
0 ,
2 ,
3 ,
4 ,
5 };
//商品的体积2、3、4、5
-
int v[
5] = {
0 ,
3 ,
4 ,
5 ,
6 };
//商品的价值3、4、5、6
-
int bagV =
8;
//背包大小
-
int dp[
5][
9] = { {
0 } };
//动态规划表
-
int item[
5];
//最优解情况
-
-
void findMax() {
//动态规划
-
for (
int i =
1; i <=
4; i++) {
-
for (
int j =
1; j <= bagV; j++) {
-
if (j < w[i])
-
dp[i][j] = dp[i -
1][j];
-
else
-
dp[i][j] = max(dp[i -
1][j], dp[i -
1][j - w[i]] + v[i]);
-
}
-
}
-
}
-
-
void findWhat(int i, int j) {
//最优解情况
-
if (i >=
0) {
-
if (dp[i][j] == dp[i -
1][j]) {
-
item[i] =
0;
-
findWhat(i -
1, j);
-
}
-
else
if (j - w[i] >=
0 && dp[i][j] == dp[i -
1][j - w[i]] + v[i]) {
-
item[i] =
1;
-
findWhat(i -
1, j - w[i]);
-
}
-
}
-
}
-
-
void print() {
-
for (
int i =
0; i <
5; i++) {
//动态规划表输出
-
for (
int j =
0; j <
9; j++) {
-
cout << dp[i][j] <<
' ';
-
}
-
cout <<
endl;
-
}
-
cout <<
endl;
-
-
for (
int i =
0; i <
5; i++)
//最优解输出
-
cout << item[i] <<
' ';
-
cout <<
endl;
-
}
-
-
int main()
-
{
-
findMax();
-
findWhat(
4,
8);
-
print();
-
-
return
0;
-
}
@[TOC](这里写自定义目录标题)