01背包理解及空间优化（动态规划）

目录：

• 问题描述
• 问题分析
• 构造最优解
• 空间优化

1. 问题描述：给定N个物品和容量为C的背包，每个物品的重量是Wi，价值为Vi，每个物品只有选择装入背包或者选择不装如背包。求如何选择能使得背包装入的总价值最大。

2. 问题分析：使用一个二维数组来存储每种状态。声明二维数组大小为m[n][c],其中m[i][j]表示在前i个物品中进行适当的选择，使得在不超过背包容量j时能获得最大价值。分析m[i][j]的计算方法

• case(1): j < w[i] ，即背包容量为j时无法放下第i个物品，此时选择不装入该物品。则m[i][j] = m[i-1][j] , 此等式表示面对第i个物品时不选择，并且该值等于前i-1个物品选择时最大价值。

• case(2): j >= w[i]，即背包的容量可以放下第i个物品，但因为要满足价值最大化，所以要考虑是否将物品i装入背包中。如果装入包中，则m[i][j] = m[i-1][ j - w[i] ] + v[i]，其中m[ i-1 ][ j-w[i] ]指的是考虑了i-1件物品，背包容量为j-w[i]时的最大价值，其本质是为第i件物品腾出了w[i]的空间。如果不装入包中，则m[i][j] = m[i-1][j]。

•  根据上面的分析，可以得出状态转移方程：

if(j >= w[i])：
    m[i][j] = max(m[i-1][j], m[i-1][j-w[i]] + v[i])
else：
    m[i][j] = m[i-1][j]

•  实现代码：

for(int i=1;i<=n;i++)  // n为物品个数
    {
        for(int j=1;j<=c;j++)  // c 为背包容量
        {
            if(j>=w[i])  // 选取
                m[i][j]=max(m[i-1][j],m[i-1][j-w[i]]+v[i]); //取较大值
 
 
            else // 不选
                m[i][j]=m[i-1][j];
        }
    }

根据上面可以计算出二维数组最后一个值m[n][c]即为最大价值。

3.构造最优解（前面工作可以得到最大价值，但是不知道是选取了哪些物品而得到的最大值）

• 思路：m[n][c]为最优值，如果m[n][c]=m[n-1][c] ,说明有没有第n件物品都一样，则x[n]=0 ; 否则 x[n]=1。当x[n]=0时，由x[n-1][c]继续构造最优解；当x[n]=1时，则由x[n-1][c-w[i]]继续构造最优解。以此类推，可构造出所有的最优解。
• 代码实现：

void traceback()
{
    for(int i=n;i>1;i--)
    {
        if(m[i][c] == m[i-1][c])
            x[i] = 0;
        else
        {
            x[i] = 1;
            c -= w[i];
        }
    }
    x[1] = (m[1][c]>0) ? 1 : 0;
}

 

4. 空间优化

• 思路：由0-1背包的状态转移方程 m[i][j] = max{m[i-1][j-w[i]]+v[i]，m[i-1][j]}的特点，知道当前状态仅依赖前一状态的剩余容量与当前物品重量v[i]的关系。根据这个特点，我们可以将m降到一维即m[j] = max{m[j]，m[j-w[i]]+v[i]}。从这个方程中我们可以发现，有两个m[j]，但是要区分开。等号左边的m[j]是当前i的状态，右边括号中的m[j]是第i-1状态下的值。
• 优化代码：

• void FindMaxBetter()//优化空间后的动态规划
  {
      int i,j;
      for(i=1;i<=number;i++)
      {
          for(j=capacity;j>=0;j--)
          {
              if(B[j]<=B[j-w[i]]+v[i] && j-w[i]>=0 )//二维变一维
              {
                  B[j]=B[j-w[i]]+v[i];
              }
          }
      }
  }

• 备注：优化后的代码只可以求出最大价值，并不能构造最优解（也就是不知道选择了哪些物品使价值最大化）
• 当不明白的时候，手动推一遍是最好的方法。