背包问题(动态规划)

目录

01背包问题

完全背包问题

多重背包问题

---

01背包问题

题目描述：

参考代码： 

# dp[i][j]定义为在前i件物品中能够装入容量为j的背包中的最大价值
# n为物品数量，v为背包容量
# w[i]为第i件物品的价值，c[i]为第i件物品的体积

def Knapsack(n, v, w, c):

    # 创建一个（n+1）*（v+1）的二维数组
    dp = [[0 for i in range(v + 1)] for j in range(n + 1)]
    
    # 依次计算n件物品装入容量为0~v的背包的最大价值
    for i in range(1, n + 1):
        for j in range(1, v + 1):
            # 如果第i件物品的体积大于背包容量j，那么就不装入背包
            if c[i - 1] > j:
                dp[i][j] = dp[i - 1][j]
            else:
                # 装入背包或者不装入背包，取最大值
                dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - c[i - 1]] + w[i - 1])
    # 返回最大价值                               
    return dp[n][v]

if __name__ == '__main__':
    n,v = map(int, input().split())
    w = []
    c = []
    for _ in range(n):
        _c, _w = map(int, input().split())
        c.append(_c)
        w.append(_w)
        
    print(Knapsack(n, v, w, c))

完全背包问题

题目描述：

 参考代码段：

# 完全背包问题
# 背包容量：bag_capacity
# 物品价格：price
# 物品重量：weights

# 初始化一个二维数组dp[len(price)+1][bag_capacity]，dp[i][j]代表前i件物品在总重量为j的情况下，可以获得的最大价值

#关于问题理解，为什么dp的行和列是len(price)+1,bag_capacity
#在完全背包问题中，没有物品数量的限制，这意味这不用考虑物品数量
#同时意味着，不同物品的price一定是不一样的
#因此二维数组的行列意义 行表示背包容量，列表示不同物品的价值

def complete_capacity(bag_capacity, weights, price):
    
    n = len(price)
    
    #创建数组
    dp = [[0 for i in range(bag_capacity+1)] for j in range(n+1)]
    
    #for循环遍历
    for i in range(1,n+1):
        for j in range(1,bag_capacity+1):
            if j >= weights[i-1]:
                dp[i][j] = max(dp[i-1][j], dp[i][j-weights[i-1]]+price[i-1])
            else:
                dp[i][j] = dp[i-1][j]
                
    return dp[n][bag_capacity]

if __name__ == "__main__":
    
    N, bag_capacity = map(int, input().split())
    
    weights = []
    prices = []
    
    for i in range(N):
        w_,p_ = map(int, input().split())
        weights.append(w_)
        prices.append(p_)

    print(complete_capacity(bag_capacity,weights,prices))

对比：

题目条件不同：01背包问题中的物品数量均为1，而完全背包问题物品数量不受限制

使用动态规划法解决问题时，可以发现两种问题的代码模式基本相同。

主要的不同是：

动态规划数组的含义不同

状态转移的执行语句不同

个人理解：

01背包的状态转移

 如果将物品放入，其状态参考i-1行更新

完全背包的状态转移

如果将物品放入，其状态参考第i行更新

当然，完全背包问题使用其它方法求解更加简单快捷，这里只是将两种背包问题进行比较。

多重背包问题

问题描述：

 参考代码：

# 解决0-1背包问题
def knapsack(N, V, w, v):
    # 初始化动态规划表
    dp_table = [[0 for j in range(V + 1)] for i in range(N + 1)]
    # 使用动态规划求解
    for i in range(1, N + 1):
        for j in range(1, V + 1):
            # 如果第i件物品的重量大于背包容量j,则不装入背包
            # 由于weight和value数组下标都是从0开始,故注意第i个物品的重量为w[i-1],价值为v[i-1]
            if w[i - 1] > j:
                dp_table[i][j] = dp_table[i - 1][j]
            else:
                dp_table[i][j] = max(dp_table[i - 1][j], dp_table[i - 1][j - w[i - 1]] + v[i - 1])
    # 返回最大价值
    return dp_table[N][V]
 
if __name__ == '__main__':
    #N：表示题目中物品的总类别
    #count:表明题目中所有物品的总数量
    N, V = map(int, input().split())
    w = []
    v = []
    count = 0
    for i in range(N):
        wi, vi, si = map(int, input().split())
        count += si
        # 物品数量可以大于1，因此循环si次将其加入物品
        for _ in range(si):
            w.append(wi)
            v.append(vi)
    print(knapsack(count, V, w, v))

代码理解：在解决这个多重背包问题时，该解决办法是巧妙地将其转换为01背包问题，去除“多重”即物品数量这个影响因素，这样处理大大降低了题目理解和解决的难度。

值得注意的是，在该题目中，输入数据N不再代表数据的数量，因此我们需要count变量另外记载物品的总数，用于动态规划表的建立。