【动态规划】背包问题

动态规划

定义

动态规划(Dynamic Programming)是一种分阶段求解决策问题的数学思想，它通过把原问题分解为简单的子问题来解决复杂问题.动态规划在很多领域都有着广泛的应用，例如管理学，经济学，数学，生物学。

动态规划适用于解决带有最优子结构和子问题重叠性质的问题。
最优子结构 : 即是局部最优解能够决定全局最优解(也可以认为是问题可以被分解为子问题来解决)，如果问题的最优解所包含的子问题的解也是最优的，我们就称该问题具有最优子结构性质。
子问题重叠 : 即是当使用递归进行自顶向下的求解时，每次产生的子问题不总是新的问题，而是已经被重复计算过的问题.动态规划利用了这种性质，使用一个集合将已经计算过的结果放入其中，当再次遇见重复的问题时，只需要从集合中取出对应的结果。

步骤

1.确定状态（两个核心：1最后一步 2化成子问题）
2.转移方程
3.开始和边界条件
4.计算顺序

与分治算法的区别

相同点
1.分治算法与动态规划都是将一个复杂问题分解为简单的子问题。
2.分治算法与动态规划都只能解决带有最优子结构性质的问题。
不同点
1.分治算法一般都是使用递归自顶向下实现，动态规划使用迭代自底向上实现或带有记忆功能的递归实现。
2.动态规划解决带有子问题重叠性质的问题效率更加高效。
3.分治算法分解的子问题是相对独立的。
4.动态规划分解的子问题是互相带有关联且有重叠的。

01背包

描述

已知:有一个容量为V的背包和N件物品，第i件物品的重量是w[i]，收益是v[i]。
限制:每种物品只有一件，可以选择放或者不放。
问题:在不超过背包容量的情况下，最多能获得多少价值或收益。

思路

01背包的特点：每种物品只有一件，可以选择放或者不放。
用子问题定义状态：即dp[i][j]表示前i件物品放入一个容量为j的背包可以获得的最大价值。
则其状态转移方程为：
dp[i][j]=max(dp[i-1][j],dp[i-1][j-w[i]]+v[i])

为了更好地理解这个转移方程，看一个具体的例子。有5个物品，编号1-5，重量分别是[2，2，6，5，4]，价值分别是[6，3，5，4，6]，背包的总承重为10。
列出本问题中所有的状态变量，也就是转移方程中的dp变量，且初始化为0。当第一个物品放入背包，因为第一个物品重量为2，价值为6，只要背包容量大于等于2，都可以放第一个物品，根据我们的转移方程dp[i][j] = max(dp[i -1][j]， dp[i-1][j - w[i]]＋v[i])，那么：

根据我们的转移方程继续放第二个物品，容量为2，3的时候: dp[i- 1][j -w[i]]+v[i] < dp[i - 1][j]，则dp[i][j]=dp[i - 1][j]。
容量大于3的时候: dp[i - 1][j -w[i]]+v[i] > dp[i - 1][j]，则dp[i][j] = dp[i - 1][j - w[i]]+v[i]。dp变量被更新为︰

当放第3个物品的时候，第三个物品的重量w[i]=6，所以在背包容量j < w[i]的时候，dp[i][j] = dp[i - 1][j].

以此类推，把剩余的物品全部根据转移方程放入背包后，dp变量为:

通过上面的表格，可以知道当这5个物品放入容量为10的背包中，最大的价值为15，即dp[5][10] = 15。

程序实现

for (int i = 1; i <= N; ++i) {
    for (int j = 0; j <= V; ++j) {
        if(j >= w[i]) {
            dp[i][j] = max(dp[i - 1][j - w[i]] + v[i], dp[i - 1][j]);
        }
        else {
            dp[i][j] = dp[i-1][j];
        }
    }
}

完全背包

描述

当前有N种物品，第i种物品的体积是ci，价值是wi。
每种物品的数量都是无限的，可以任意选择若干件，我们称之为完全背包问题。
现有容量为V的背包，请你放入若干物品，使总体积不超过V，并且总价值尽可能大。

步骤

考虑到第i种物品最多选V/c[i]件，于是可以把第i种物品转换为V/c[i]件费用及价值均不变的物品，然后求解这个01背包问题。但是这样完全没有改进时间复杂度，但这毕竟给了我们将完全背包转换为01背包问题的思路：将一种物品拆成多件物品。
每种物品可以取0件，1件，2件，3件，甚至更多。
我们仍然可以写出状态转移方程:
dp[i][v] =max(dp[i][v - ci] + wi, dp[i - 1][v])
更简单的:
dp[v] = max(dp[v - ci] + wi , dp[v])

程序实现

// 完全背包：一维法-正序
	public static int bag3(int W, int[] w, int[] v) {
		int n = w.length - 1;// 第一个值，不算
		int[] f = new int[W + 1];
		for (int i = 1; i <= n; i++)
			for (int j = w[i]; j <= W; j++)
				f[j] = Math.max(f[j], f[j - w[i]] + v[i]);
		return f[W]; // 最优解
	}

多重背包

描述

有N种物品和一个容量为V的背包。第i种物品最多有n[i]件，每件费用是c[i]，价值是w[i]。求解将哪些物品装入背包可使这些物品的费用总和不超过背包容量，且价值总和最大。

步骤

多重背包问题的思路跟完全背包的思路非常类似，只是k的取值是有限制的，因为每件物品的数量是有限制的，状态转移方程为：
dp[i][v] = max{dp[i - 1][v - k * c[i]] + w[i] | 0 <=k <= n[i]}

程序实现

// 多重背包：一维法
	public static int bag4(int W, int[] w, int[] v, int[] num) {
		int n = w.length - 1;// 第一个值，不算
		int[] f = new int[W + 1];
		for (int i = 1; i <= n; i++)
			for (int j = W; j >= w[i]; j--)
				for (int k = 0; k <= num[i] && j - k * w[i] >= 0; k++) {
					f[j] = Math.max(f[j], f[j - k * w[i]] + k * v[i]);
				}
 
		return f[W]; // 最优解
	}

文章引用

时间太长，引用文章已忘，如有侵权将会立即删除。