背包问题是一个关于最优解的经典问题。通常被讨论的最多的,最经典的背包问题是0-1背包问题(0-1 Knapsack Problem)。它是一切背包问题及相关背包问题的基础。本篇博文将详细分析0-1背包问题,并给出0-1背包问题的几种解法,同时也对0-1背包问题的内涵进行延伸,丰富其外延至完全背包问题和多重背包问题,并给出背包问题的算法实现过程,希望对大家有帮助。
一、0-1背包问题
有N件物品和一个容量为V的背包。第i件物品(每个物品只有一件)的费用是c[i],价值是w[i]。求解将哪些物品装入背包可使价值总和最大。
(1)递归求解
算法如下:
#include <iostream>
using namespace std;
int timeval[110];
int val[110];
int MaxVal(int n, int s)
{
if(n<=0 || s<=0) return 0;
if( timeval[n]<=s && (MaxVal(n-1,s-timeval[n])+val[n])>MaxVal(n-1,s))
return MaxVal(n-1,s-timeval[n])+val[n];
return MaxVal(n-1,s);
}
int main()
{
int s,n,i;
cin>>s>>n;
for (i=1; i<=n; i++)
cin>>timeval[i]>>val[i];
cout<<MaxVal(n,s)<<endl;
return 0;
}
分析:递归求解,求解过程中的绝大部分变量存在重复求解的过程,算法的效率较低,有待改进;那怎么改进呢?最有效的是用数组保存每次计算的结果,不用重复计算,于是有二维数组求解。
(2)二维数组求解
算法如下:
#include <iostream>
using namespace std;
int c[110][1110];
int main()
{
int s,n,i,j;
cin>>s>>n;
int * w = new int[n+1];
int * v = new int[n+1];
for(i=1; i<=n; i++)
cin>>w[i]>>v[i];
for (i=0; i<=n; i++)
for (j=0; j<=n; j++)
c[i][j]=0;
for (i=1; i<=n; i++)
for (j=1; j<=s; j++)
{
if (w[i]<=j&&c[i-1][j-w[i]]+v[i]>c[i-1][j])
c[i][j]=c[i-1][j-w[i]]+v[i];
else c[i][j]=c[i-1][j];
}
cout<<c[n][s]<<endl;
delete w;
delete v;
return 0;
}
分析:二维数组求解方法相比递归求解要优越很多,但是其空间复杂度依然较高,还有继续改进的余地吗?一维数组是否可行呢?答案是肯定的
(3)一维数组求解
算法分析:
#include "iostream"
using namespace std;
void main()
{
int w[6] = {1,2,3,5,2,1};
int v[6] = {10,12,40,40,40,15};
int c[6][10+1] = {0};
int arr[10+1] = {0};//most important for the first compution below
int i,j;
for (i=0;i<6;i++)3
{
for (j=10;j>=w[i];j--)//notice that j>=w[i],not j>=0 注意此处与二维数组求解的区别
{
if (arr[j]<arr[j-w[i]]+v[i])
{
arr[j] = arr[j-w[i]]+v[i];
c[i][j] = 1;
}
}
}
cout<<"The max value is: "<<arr[10]<<endl;
cout<<"The selected items are: ";
for (i = 6-1,j = 10;i>=0;i--)
{
if (c[i][j])
{
cout<<i+1<<" ";
j = j - w[i];
}
}
cout<<endl;
}
分析:在一维数组实现中将空间复杂度由O(GOODSNUM*CAPACITY)降低到O(CAPACITY)并同时进行了代码优化,同时也给出了选择物品的编号。
二、完全背包问题
若你能给深入理解0-1背包问题和其深刻内涵,并真正明白一维数组求解背包问题后,下面的问题对你来说就相当容易了。
完全背包问题:有N种物品和一个容量为V的背包,每种物品都有无限件可用。第i种物品的费用是c[i],价值是w[i]。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。
求解分析:目标是转化为0-1背包问题。如将费用/容量为nVolume[itemIndex]的物品转化为CAPACITY/nVolume[itemIndex]相同费用和价值的物品,直接用前面的三种0-1背包问题求解。除此之外还有其它可行的求解方法吗?可以对0-1背包问题的状态方程f[i][v]=max{f[i-1][v],f[i-1][v-c[i]]+w[i]}稍加分析可得完全背包问题的状态方程f[i][v]=max{f[i-1][v-k*c[i]]+k*w[i]|0<=k*c[i]<=v},因而有以下算法实现过程,并最终给出了所选择的物品和选择该物品的数目。
实现算法:
#include "iostream"
using namespace std;
void main()
{
int num,k,max;
int w[6] = {1,4,3,5,5,3};
int v[6] = {2,8,40,60,10,3};
int c[6][10+1] = {0};
int arr[10+1] = {0};//most important for the first compution below
int i,j;
for (i=0;i<6;i++)
{
for (j=10;j>=w[i];j--)//notice that j>=w[i],not j>=0
{
num = 0;
max = arr[j];
for (k=1;k<=10/w[i];k++)
{
if (j>=k*w[i] && max<arr[j-k*w[i]]+k*v[i])
{
max = arr[j-k*w[i]]+k*v[i];
num = k;
}
}
arr[j] = max;
c[i][j] = num;
}
}
cout<<"The max value is: "<<arr[10]<<endl;
cout<<"The selected items are: "<<endl;
for (i = 6-1,j = 10;i>=0;i--)
{
if (c[i][j])
{
cout<<i+1<<":"<<c[i][j]<<" ";
j = j - c[i][j]*w[i];
}
}
cout<<endl;
}
三、多重背包问题
多重背包问题:有N种物品和一个容量为V的背包。第i种物品最多有n[i]件可用,每件费用是c[i],价值是w[i]。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。
多重背包问题基本求解方式同完全背包问题,唯一的是控制参数k的限制有所不同。只需要将完全背包问题实现中的k<=CAPACITY/nVolume[itemIndex]限制条件改为k<=CAPACITY/nVolume[itemIndex] && k<= n[i]即可。