一、01背包
给出背包容量v,和各物品的重量w[i],价值v[i],
用dp[i][j]表示容量为 j的背包装前 i个物品的最大价值,这样,对于任一dp[i][j],我们可以对要不要物品i进行决策,如果要,那么dp[i][j]的最大值为v[i]+dp[i-1][j-w[i]],如果不要,那么最大值就是dp[i-1][j],再在这二者中取最大值,即为f[i][j]的值
核心代码
for(int i=1;i<=n;i++)
for(int j=w[i];j<=v;j++)
{
dp[i][j]=max(dp[i-1][j],dp[i-1][j-w[i]]+v[i]);
}
一维数组优化
由上面的代码可以知道,如果我们有该数组的任意一行,我们可以得出下面一行的数据,如果我们只有一个一维数组f[i],表示dp数组中的dp[i][j],我们依然可以用f[1]~f[i]的数据得到dp[i+1][j],再把f[i]更新为这个值,再用f[1]~f[i-1]的数据更新f[i-1],若干次后,f数组成为了dp[i+1],这样,我们可以用一个一维数组最终得到原dp数组中的最后一行,f[V]也就是dp[n][V]。
核心代码
for(int i=1;i<=n;i++)
for(int j=v;j>=w[i];j--)
{
dp[j]=max(dp[j],dp[j-w[i]]+v[i]);
}
二、完全背包
在01背包的基础上,如果每个物品可以无限次的装入背包,那么该如何解决呢。我们在用一维数组处理01背包的时候,j是从左往右遍历的,原因是j左边的数字f[x]代表dp[i-1][x],而其右边的数字已经更新为dp[i][x],而更新f[x],需要的是dp[i-1][1]~dp[i-1][x],如果从左往右,会导致我们dp[i-1][j]的数据丢失,从右边更新,则对左边没有影响。
而在完全背包里,我们的决策从 "要不要",变成了“还要不要”,如果我们“还要”,那么不再用dp[i-1][j]的数据递推,而是已经更新过的dp[i][x],因此,同样经过滚动数组优化后,核心代码为:
for(int i=1;i<=n;i++)
for(int j=w[i];j<=v;j++)
{
dp[j]=max([j],dp[j-w[i]]+v[i]);
}
三、多重背包
完全背包是在01的基础上可以拿无限次物品,如果只能拿有限次,就是多重背包。用s[i]储存数量。
我们可以把n个物品1,看成和1质量、价值相同的其他物品,这样也就成了01背包
朴素解法
for(int i=1;i<=n;i++)
{
for(int j=v;j>=w[i];j--)
{
for(int k=0;k<=s[i]&&k*w[i]<=j;k++)
{
dp[j]=max(dp[j-1],dp[j-k*w[i]]+k*v[i]);
}
}
}
二进制优化
在朴素算法中,对于每一个相同的物品1,我们都进行了要不要的决策,有许多决策本质上是相同的,如果我们只要一个,而在算法中做了“只要第一个”“只要第二个“等多种重复决策,二进制优化可以大大减少时间。我们用1、2、4、8...等来表示数量,如果我们只要n,个通过二进制数的原理,我们知道有且只有一种情况,使得这些数字之和等于n,也就是说,在朴素算法中,如果物品1有10个,我们就要决策10个物品,二进制优化后,我们只要决策各属性(重量,价值)分别为其1,2,4,3倍的这四个物品,就能包括所有情况。
for(i=1;i<=n;i++)
{
for(j=1;j<=s;j/=2)
{
w[num]=j*;
v[num]=j*v;
s-=j;
num++;
}
if(s)
{
v[num]=s*v;
w[num]=s*w;
}
}
for(int i=1;i<=n;i++)
for(int j=v;j>=w[i];j--)
{
dp[j]=max([j],dp[j-w[i]]+v[i]);
}