一文讲解01背包问题

麦克老师讲算法

已于 2022-09-23 22:51:44 修改

阅读量1.8k

点赞数 1

文章标签：动态规划算法

于 2022-09-23 22:43:28 首次发布

本文链接：https://blog.csdn.net/m0_60406551/article/details/127019041

版权

本文将讲解动态规划中背包问题，常见有三类：

0-1背包问题
多重背包问题
完全背包问题

上面三种都是背包问题，那么怎么区分呢？其实三种问题都很相似，解法也大体相同。

别急，先来区分上面三种，我们以问题描述来进行区分。

（1）0-1背包问题的描述

现在有四种物品，每种物品只有1件，它们的重量与价值如下表。

现在有一个背包，总容量为8。问怎么选取物品，可以使得背包装的物品价值最大？

物品编号	物品重量	物品价值	物品数量
1	2	3	1
2	3	4	1
3	4	5	1
4	5	8	1

（2）多重背包问题的描述

现在有四种物品，每种物品有若干件，它们的重量与价值如下表。

现在有一个背包，总容量为8。问怎么选取物品，可以使得背包装的物品价值最大？

物品编号	物品重量	物品价值	物品数量
1	2	3	2
2	3	4	2
3	4	5	2
4	5	8	2

（3）完全背包问题的描述

现在有四种物品，每种物品有无数件，它们的重量与价值如下表。

现在有一个背包，总容量为8。问怎么选取物品，可以使得背包装的物品价值最大？

物品编号	物品重量	物品价值	物品数量
1	2	3	无数件
2	3	4	无数件
3	4	5	无数件
4	5	8	无数件

通过以上例子，相信大家大概搞清楚了它们的区别吧。

0-1背包问题就是每种物品只有1件。

多重背包问题就是每种物品有若干件。

完全背包问题就是每种物品有无数件。

当然，我们讨论的背包问题对于每件物品而言，是不能够将该物品分割的，如果可以分割就要用到贪心算法了。

下面来讲解这三种背包问题的实现思路。

一、0-1背包问题

思路：对于每件物品，由于是不可分割的放入，所以，就有两种情况：该物品放入背包与该物品不放入背包；为了将以上问题求解出来，我们需要设置好状态以及状态转移方程。

定义状态

DP[k][w]:表示当背包剩余容量为w，现在有前k件物品可放的情况下，背包所能装物品的最大价值。

那么，状态确定好了，上面所描述的题目中，只要求出DP[4][8]就可以了。

等等，DP[4][8]是什么啊？DP[4][8]表示当背包剩余容量为8，现在有前4件物品可放的情况下，背包所能装物品的最大价值。

请问，这个DP[4][8]搞懂了没，搞懂了的话，我们继续看看DP[4][8]怎么求，那么也就是DP[k][w]怎么求的问题。

DP[k][w]怎么求呢，这就是状态转移方程的问题。

状态转移方程

我们先将状态转移方程写出来吧，就是：

DP[k][w] 等于下列两种情况：

①DP[k][w]=DP[k-1][w]，当wk>w时

②DP[k][w]=max(DP[k-1][w]，DP[k-1][w-wi])，当wk<=w时

解释：

第一种情况，当第k件物品的重量大于背包剩余的容量时，则DP[k][w]=DP[k-1][w];

这个关系式大家好好理解下，DP[k][w]表示的是当背包剩余容量为w，现在有前k件物品可放时，背包所能装物品的最大价值。由于第k件物品太重放不下背包，既然放不下第k件物品，就将其pass（排除）掉呗，相当于考虑放置前k-1件物品的情况，即f[k][w]=f[k-1][w]。

第二种情况，当第k件物品的重量不大于背包剩余的容量时，意味着第k件物品可以放置在背包中，“可以放置”并不意味着一定要放在背包中吧，所以，存在两种情形，第k件物品放在背包中或者第k件物品不放在背包中，这两种情形分别对应两种递推关系式，DP[k][w]=DP[k-1][w-wi]+v[i];（第k件物品放在背包中的情况，后面的v[i]是指第i件物品的价值，因为放进了背包，所以背包的价值多了v[i]，同理，背包剩余容量就减少了wi）

DP[k][w]=DP[k-1][w];（第k件物品不放在背包中的情况）

所以，第二种情况的结果就是取两种情形的最大值

DP[k][w]=max(DP[k-1][w-wi]+v[i],DP[k-1][w])

综合以上两种情况，DP[k][w]的值就是：

现在，我们要做的就是如何求出DP[4][8]的值，这个值的求解就是通过上面的状态转移方程进行推导，推导的过程就是填写以下表格。

首先，我们对以上表格进行初始化赋值，第0行的值都为0，DP[0][0]=0,DP[0][1]=0,DP[0][2]=0,DP[0][3]=0,…,DP[0][8]=0，为什么都是0呢，你想呀，因为是考虑前0件物品放进背包时的价值，0件物品的意思是说没有物品可放，既然没有物品可放，当然价值为0；

同理，第0列也都是为0，DP[0][0]=0,DP[1][0]=0,DP[2][0]=0,DP[3][0]=0,DP[4][0]=0，为什么都是0呢，因为背包剩余容量为0，说明背包装不下任何东西了，那么能装的价值当然为0；

以上就是赋初始值，将第0行与第0列都赋值为0，那么其它值该如何推导呢，我们也是根据状态转移方程进行推导，进而可以完成以下表格。

我们举个栗子（哈哈），看看图中红色方格中的数字怎么得到，红色方格代表DP[2][3]，表示的是当背包剩余容量为3，现在有前2件物品可放时，背包所能装的最大价值。因为第2件物品的重量w2=3，此时背包剩余容量为3，说明第2件物品可以放置在背包中，所以，对应于状态转移方程中的第二种情况，DP[2][3]=max(DP[1][0]+4,DP[1][3])=4。

DP[2][3]能这样得到，那么其它方格中的数字，相信大家也一定能推导出来吧。不妨试试推导下DP[4][8]的值吧。

手撕代码，相信大家一定能看懂

#include<bits/stdc++.h>

using namespace std;

const int N=10010;

const int V=10010;

int dp[N][V];

int n,v;//n:物品数量，v:背包实际容量

int w[N];//第n件物品的重量

int c[N];//第n件物品的价值

void knap_01()

{

for(int i=1;i<=n;i++)

for(int j=1;j<=v;j++)

{

if(w[i]>j)

dp[i][j]=dp[i-1][j];

else

dp[i][j]=max(dp[i-1][j-w[i]]+c[i],dp[i-1][j]);

}

}

int main()

{

cin>>n>>v;

for(int i=1;i<=n;i++)

cin>>w[i];

for(int i=1;i<=n;i++)

cin>>c[i];

knap_01();

cout<<dp[n][v];

return 0;

}

时间复杂度：O(nv)

以上代码我们可以得出答案：DP[4][8]=12，如果我们要输出具体选择的方案，即具体选择了哪些物品呢？我们可以通过DP[4][8]往前进行回溯得到。

怎么回溯呢？再看如下表

从DP[4][8]进行反向推导，由于DP[3][8]的值等于9，如果背包中没有放入第4件物品，那么DP[4][8]的值一定等于DP[3][8]的值，而两者不相等，说明一定选择了第4件物品。

既然选择了第4件物品，那么DP[4][8]是怎么得到呢，DP[4][8]是通过DP[3][3]+8得到。

DP[3][3]的值与DP[2][3]的值相等，说明没有选择第3件物品。

DP[2][3]的值与DP[1][3]的值不相等，说明选择了第2件物品。

既然选择了第2件物品，那么DP[2][3]是怎么得到呢，DP[2][3]是通过DP[1][0]+4得到，DP[1][0]就是回溯的终点了，无需再进行回溯。

根据以上的过程，本题选择的物品编号分别为2号与4号。

以上过程可以通过递归进行解决，代码如下：

//0-1背包问题

//选择方案的输出

void print(int i,int j)

{

if(i==0||j==0) return;

if(dp[i][j]==dp[i-1][j])

print(i-1,j);

else

{

print(i-1,j-w[i]);

cout<<i<<" ";

}

}

以上就是0-1背包的思想，总结如下：