从暴力递归到动态规划：0/1背包问题全解析-CSDN博客

本文链接：https://blog.csdn.net/m0_68856746/article/details/148058153

0/1背包问题详解：从暴力递归到动态规划

一、问题描述

经典场景

假设有一个背包，它的容量为 W（如5kg）。有 n 个物品，每个物品有两个属性：

重量（weight）：如2kg、3kg等
价值（value）：如6元、10元等

限制条件：每个物品只能选择放入背包一次（0/1选择），且总重量不能超过背包容量。

目标：如何选择物品，使得背包中物品的总价值最大？

数学表达

给定一组物品，每个物品有重量 wi 和价值 vi，背包容量为 W，求一个子集 S⊆1,2,…,n，使得：

且max∑i∈Svi且∑i∈Swi≤W

二、暴力递归解法

思路分析

对于每个物品，有两种选择：

放入背包：前提是当前背包剩余容量足够
不放入背包

通过递归遍历所有可能的选择组合，找到价值最大的方案。

代码实现

def knapsack_recursive(weights, values, W, n):
    # 基本情况：没有物品或背包容量为0
    if n == 0 or W == 0:
        return 0
    
    # 如果当前物品重量超过背包容量，则不能放入
    if weights[n-1] > W:
        return knapsack_recursive(weights, values, W, n-1)
    
    # 否则，考虑两种情况：放入或不放入当前物品
    else:
        # 选择放入当前物品
        included = values[n-1] + knapsack_recursive(weights, values, W - weights[n-1], n-1)
        # 选择不放入当前物品
        excluded = knapsack_recursive(weights, values, W, n-1)
        
        # 返回两种情况中的较大值
        return max(included, excluded)

# 示例使用
weights = [2, 3, 4, 5]
values = [3, 4, 5, 6]
W = 8  # 背包容量
n = len(weights)

max_value = knapsack_recursive(weights, values, W, n)
print(f"最大价值: {max_value}")

复杂度分析

时间复杂度：O(2n )，因为每个物品有两种选择，递归树的节点数为 2n
空间复杂度：O(n )，递归栈的深度最大为 n

三、动态规划解法

思路分析

暴力递归存在大量重复计算，可以使用动态规划（DP）通过表格记录中间结果，避免重复计算。

定义二维数组 dp[i][w] 表示：

前 i 个物品
背包容量为 w
能获得的最大价值

代码实现

def knapsack_dp(weights, values, W):
    n = len(weights)
    # 创建一个二维数组 dp，dp[i][w] 表示前i个物品在容量w下的最大价值
    dp = [[0 for _ in range(W + 1)] for _ in range(n + 1)]
    
    # 填充dp数组
    for i in range(1, n + 1):
        for w in range(1, W + 1):
            # 如果当前物品重量大于当前容量，则不能放入
            if weights[i-1] > w:
                dp[i][w] = dp[i-1][w]
            else:
                # 否则，考虑放入或不放入当前物品，取最大值
                dp[i][w] = max(dp[i-1][w],  # 不放入
                              dp[i-1][w - weights[i-1]] + values[i-1])  # 放入
    
    # 返回最终结果
    return dp[n][W]

# 示例使用
weights = [2, 3, 4, 5]
values = [3, 4, 5, 6]
W = 8

max_value = knapsack_dp(weights, values, W)
print(f"最大价值: {max_value}")

复杂度分析

时间复杂度：O(nW )，其中 n 是物品数量，W 是背包容量
空间复杂度：O(nW )，主要用于存储二维数组

四、空间优化的动态规划解法

思路分析

观察状态转移方程，发现 dp[i][w] 只依赖于 dp[i−1][w] 和 dp[i−1][w−wi]，可以将二维数组优化为一维数组。

关键技巧：

使用一维数组 dp[w] 表示当前容量为 w 时的最大价值
遍历容量时从大到小倒序，确保每个物品只被考虑一次

代码实现

def knapsack_dp_optimized(weights, values, W):
    n = len(weights)
    # 创建一个一维数组 dp，dp[w] 表示容量为w时的最大价值
    dp = [0 for _ in range(W + 1)]
    
    # 遍历每个物品
    for i in range(n):
        # 倒序遍历容量，从W到weights[i]
        for w in range(W, weights[i] - 1, -1):
            # 考虑放入或不放入当前物品，取最大值
            dp[w] = max(dp[w], dp[w - weights[i]] + values[i])
    
    # 返回最终结果
    return dp[W]

# 示例使用
weights = [2, 3, 4, 5]
values = [3, 4, 5, 6]
W = 8

max_value = knapsack_dp_optimized(weights, values, W)
print(f"最大价值: {max_value}")