01背包问题,是用来介绍动态规划算法最经典的例子,网上关于01背包问题的讲解也很多,我写这篇文章力争做到用最简单的方式,最少的公式把01背包问题讲解透彻。
01背包的状态转换方程 f[i,j] = Max{ f[i-1,j-Wi]+Pi( j >= Wi ), f[i-1,j] }
题目描述:
有编号分别为a,b,c,d,e的五件物品,它们的重量分别是2,2,6,5,4,它们的价值分别是6,3,5,4,6,现在给你个承重为10的背包,如何让背包里装入的物品具有最大的价值总和?
name | weight | value | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
a | 2 | 6 | 0 | 6 | 6 | 9 | 9 | 12 | 12 | 15 | 15 | 15 |
b | 2 | 3 | 0 | 3 | 3 | 6 | 6 | 9 | 9 | 9 | 10 | 11 |
c | 6 | 5 | 0 | 0 | 0 | 6 | 6 | 6 | 6 | 6 | 10 | 11 |
d | 5 | 4 | 0 | 0 | 0 | 6 | 6 | 6 | 6 | 6 | 10 | 10 |
e | 4 | 6 | 0 | 0 | 0 | 6 | 6 | 6 | 6 | 6 | 6 | 6 |
只要你能通过找规律手工填写出上面这张表就算理解了01背包的动态规划算法。
首先要明确这张表是至底向上,从左到右生成的。
为了叙述方便,用e2单元格表示e行2列的单元格,这个单元格的意义是用来表示只有物品e时,有个承重为2的背包,那么这个背包的最大价值是0,因为e物品的重量是4,背包装不了。
对于d2单元格,表示只有物品e,d时,承重为2的背包,所能装入的最大价值,仍然是0,因为物品e,d都不是这个背包能装的。
同理,c2=0,b2=3,a2=6。
对于承重为8的背包,a8=15,是怎么得出的呢?
根据01背包的状态转换方程,需要考察两个值,
一个是f[i-1,j],对于这个例子来说就是b8的值9,另一个是f[i-1,j-Wi]+Pi;
在这里,
f[i-1,j]表示我有一个承重为8的背包,当只有物品b,c,d,e四件可选时,这个背包能装入的最大价值
f[i-1,j-Wi]表示我有一个承重为6的背包(等于当前背包承重减去物品a的重量),当只有物品b,c,d,e四件可选时,这个背包能装入的最大价值
f[i-1,j-Wi]就是指单元格b6,值为9,Pi指的是a物品的价值,即6
由于f[i-1,j-Wi]+Pi = 9 + 6 = 15 大于f[i-1,j] = 9,所以物品a应该放入承重为8的背包
以下是actionscript3 的代码
ublic function get01PackageAnswer(bagItems:Array,bagSize:int):Array
{
var bagMatrix:Array=[];
var i:int;
var item:PackageItem;
for(i=0;i<bagItems.length;i++)
{
bagMatrix[i] = [0];
}
for(i=1;i<=bagSize;i++)
{
for(var j:int=0;j<bagItems.length;j++)
{
item = bagItems[j] as PackageItem;
if(item.weight > i)
{
//i背包转不下item
if(j==0)
{
bagMatrix[j][i] = 0;
}
else
{
bagMatrix[j][i]=bagMatrix[j-1][i];
}
}
else
{
//将item装入背包后的价值总和
var itemInBag:int;
if(j==0)
{
bagMatrix[j][i] = item.value;
continue;
}
else
{
itemInBag = bagMatrix[j-1][i-item.weight]+item.value;
}
bagMatrix[j][i] = (bagMatrix[j-1][i] > itemInBag ? bagMatrix[j-1][i] : itemInBag)
}
}
}
//find answer
var answers:Array=[];
var curSize:int = bagSize;
for(i=bagItems.length-1;i>=0;i--)
{
item = bagItems[i] as PackageItem;
if(curSize==0)
{
break;
}
if(i==0 && curSize > 0)
{
answers.push(item.name);
break;
}
if(bagMatrix[i][curSize]-bagMatrix[i-1][curSize-item.weight]==item.value)
{
answers.push(item.name);
curSize -= item.weight;
}
}
return answers;
}
动态规划的用法——01背包问题
问题主题:著名的01背包问题 |
问题描述: 有n个重量和价值分别为wi、vi的物品,现在要从这些物品中选出总重量不超过W的物品,求所有挑选方案中的价值最大值。 限制条件: 1<=N<=100 1<=wi 、vi<=100 1<=wi<=10000 |
样例: 输入 N=4 W[N] = {2, 1, 3, 2} V[N] = {3, 2, 4, 2} 输出 W = 5(选择0,1,3号) |
【解法一】
解题分析:
用普通的递归方法,对每个物品是否放入背包进行搜索
程序实现:
C++
#include <stdio.h>
#include <tchar.h>
#include <queue>
#include "iostream"
using namespace std;
const int N = 4;
const int W = 5;
int weight[N] = {2, 1, 3, 2};
int value[N] = {3, 2, 4, 2};
int solve(int i, int residue)
{
int result = 0;
if(i >= N)
return result;
if(weight[i] > residue)
result = solve(i+1, residue);
else
{
result = max(solve(i+1, residue), solve(i+1, residue-weight[i]) + value[i]);
}
}
int main() {
int result = solve(0, W);
cout << result << endl;
return 0;
}
【解法二】
解题分析:
用记录结果再利用的动态规划的方法,上面用递归的方法有很多重复的计算,效率不高。我们可以记录每一次的计算结果,下次要用时再直接去取,以提高效率
程序实现:
C++
#include <stdio.h>
#include <tchar.h>
#include <queue>
#include "iostream"
using namespace std;
const int N = 4;
const int W = 5;
int weight[N] = {2, 1, 3, 2};
int value[N] = {3, 2, 4, 2};
int record[N][W];
void init()
{
for(int i = 0; i < N; i ++)
{
for(int j = 0; j < W; j ++)
{
record[i][j] = -1;
}
}
}
int solve(int i, int residue)
{
if(-1 != record[i][residue])
return record[i][residue];
int result = 0;
if(i >= N)
return result;
if(weight[i] > residue)
{
record[i + 1][residue] = solve(i+1, residue);
}
else
{
result = max(solve(i+1, residue), solve(i+1, residue-weight[i]) + value[i]);
}
return record[i + 1][residue] = result;
}
int main() {
init();
int result = solve(0, W);
cout << result << endl;
return 0;
}
Java
package greed;
/**
* User: luoweifu
* Date: 14-1-21
* Time: 下午5:13
*/
public class Knapsack {
private int maxWeight;
private int[][] record;
private Stuff[] stuffs;
public Knapsack(Stuff[] stuffs, int maxWeight) {
this.stuffs = stuffs;
this.maxWeight = maxWeight;
int n = stuffs.length + 1;
int m = maxWeight+1;
record = new int[n][m];
for(int i = 0; i < n; i ++) {
for(int j = 0; j < m; j ++) {
record[i][j] = -1;
}
}
}
public int solve(int i, int residue) {
if(record[i][residue] > 0) {
return record[i][residue];
}
int result;
if(i >= stuffs.length) {
return 0;
}
if(stuffs[i].getWeight() > residue) {
result = solve(i + 1, residue);
} else {
result = Math.max(solve(i + 1, residue),
solve(i + 1, residue - stuffs[i].getWeight()) + stuffs[i].getValue());
}
record[i][residue] = result;
return result;
}
public static void main(String args[]) {
Stuff stuffs[] = {
new Stuff(2, 3),
new Stuff(1, 2),
new Stuff(3, 4),
new Stuff(2, 2)
};
Knapsack knapsack = new Knapsack(stuffs, 5);
int result = knapsack.solve(0, 5);
System.out.println(result);
}
}
class Stuff{
private int weight;
private int value;
public Stuff(int weight, int value) {
this.weight = weight;
this.value = value;
}
int getWeight() {
return weight;
}
void setWeight(int weight) {
this.weight = weight;
}
int getValue() {
return value;
}
void setValue(int value) {
this.value = value;
}
}