01背包问题

01背包问题

有N件物品和一个容量为V的背包, 第i件物品的费用是$c[i]$, 价值为$w[i]$, 求解哪些物品装入背包可使价值总和最大

这是最基础的背包问题, 特点是: 每种物品只有一件, 可以选择放或不放

用子问题定义状态: 即$f[i][v]$表示前$i$件物品恰放入一个容量为v的背包可以获得的最大价值, 则其状态转换方程为 f [ i ] [ v ] = m a x { f [ i − 1 ] [ v ] , f [ i − 1 ] [ v − c [ i ] ] + w [ i ] } f[i][v]=max\{f[i-1][v], f[i-1][v-c[i]]+w[i]\} f[i][v]=max{f[i−1][v],f[i−1][v−c[i]]+w[i]}

这个方程非常重要, 基本上所有跟背包相关的问题的方程都是由它衍生出来的.其详细解释如下:

• 首先, 将前i件物品放入容量为v的背包中, 这个子问题若只考虑第i件物品的策略(放或不放), 那么就可以转化为一个只牵扯前$i-1$件物品的问题.

• 如果不放第i件物品, 问题转换为“前$i-1$件物品放入剩下的容量额外$v$的背包中”, 此时价值为$f[i-1][v]$

• 如果放第i件物品, 那么问题就转化为“前$i-1$件放入剩下的容量为$v-c[i]$的背包中”, 此时能获得的最大价值就是$f[i-1][v-c[i]]$再加上通过放入第i件物品获得的最大价值$w[i]$.

优化空间复杂度

以上方法的时间和空间复杂度均为$O(N\ast V)$ 其中时间复杂度基本已经不能再优化了, 但空间复杂度却可以优化到$O(V)$.

先考虑 上面的基本思路如何实现, 肯定是有一个主循环$i=1\cdots N$, 每次算出来二维数组$f[i][0\cdots V]$的所有值. 那么, 如果只用一个数组$f[0\cdots V]$, 分析过程如下:

• 能不能保证第i次循环结束后$f[v]$中表示的就是我们定义的状态$f[i][v]$呢?

• $f[i][v]$是由$f[i-1][v]$和$f[i-1][v-c[i]]$两个子问题递推而来, 能否保证在推$f[i][v]$时(即在第i词主循环中推$f[v]$时)能够得到$f[i-1][v]$和$f[i-1][v-c[i]]$的值,

事实上, 这要求在每次主循环中我们以$v=V\cdots 0$的顺序推$f[v]$, 这样才能保证推$f[v]$时$f[v-c[i]]$保存的是状态$f[i-1][v-c[i]]$的值, 伪代码如下:

for i=1..N:
    for v=V..0:
        f[v]=max{f[v], f[v-c[i]]+w[i]};

注意

• 这个过程里的处理与前面给出的伪代码有所不同, 前面的示例程序写成$v=V\cdots 0$是为了在程序中体现每个状态都按方程求解了, 避免不必要的思维复杂度, 而这里既然已经抽象成看作黑箱的过程了可以加入优化.

• 费用为cost的物品不会影响状态$f[0\cdots cost-1]$, 这里是显然的.

有了这个过程之后, 01背包问题的伪代码可以这语言写

for i=1..N:
    ZeroOnePack(c[i], w[i]);

初始化的细节问题

我们看到的求最优解的背包问题题目中, 事实上有两种不太相同的问法. 有的题目要求“恰好装满背包”时候的最优解, 有的题目则并没有要求必须把背包填满. 一种区别 这两种问法的实现方法时在初始化的时候有所不同

• 如果是第一种问法, 要求恰好装满背包, 那么在初始化除了$f[0]$为0其他$f[1\cdots V]$均为$-\infty$, 这样就可以保证最终得到的$f[N]$是一种恰好装满背包的最优解.

• 如果没有要求必须把背包装满, 只是希望价格尽量大, 初始化时应该将$f[0\cdots V]$全部设为0

  为什么呢? 可以这样理解:初始化的f数组事实上就是在没有任何物品可以放入背包的合法状态.

  • 如果要求背包恰好装满, 那么此时只有容量为0的背包可能被价值为0的nothing“恰好装满”, 其他的背包均没有合法的解, 属于未定义的状态,他们的值就为$-\infty$.

  • 如果背并不要求必须装满, 那么任何容量的背包都有一个合法的解“什么都不装”, 这个解的价值为0, 所以初始时状态的值也就为0了

这个小技巧完全可以推广到其它类型的背包问题

小结

01背包问题时最基本的背包问题, 包含了背包问题中设计状态、方程的最基本思想, 另外, 别的背包问题往往也可以转换为01背包问题求解

其中以下三点需要重点注意:

• 如何得到上述思路

• 状态转移方程的意义

• 优化空间复杂度