对于一个可装重量为c的背包和一堆价值为v重量为w的货物,求背包能装下的最大价值。
对于每件货物,只有1(装入)或0(不装入)两种状态,因此称为0-1背包问题。
这个问题是有最优子结构的。对于货物是否装入的序列{y1,y2,…,yn},其子序列{y2,…,yn}也是相应子问题的最优解。
设0-1背包问题的最优值为dp[ i ][ j ],意为包括前i件货物时,最大装载为j时的最佳装载。
举个例子:
c = 10
weight = [2, 2, 6, 5, 4]
value = [6, 3, 5, 4, 6]
dp如下图:
第0行所代表的是没有包含点的情况,因此全部为0.
第1行只有一个货物,因此在j=2时,背包可以装下第一个货物,之后的dp全部为6.
第2行是包含前两个情况的时候。直到j=4的时候才有能力将两件货物全部纳入。
对于dp[ i ][ j ],由如下规则计算:
无法装下新货物:dp[ i - 1 ][ j ]
能装下时,考虑值不值:
①装:dp[ i - 1 ] [j - w[ i ] ] + v[ i ]
②不装:dp[ i - 1 ][ j ]
这个时候是谁大选谁。
代码:
def knapsack(m, n, w, v, dp):
for i in range(1, m):
for j in range(1, n):
if w[i] > j:
dp[i][j] = dp[i-1][j]
else:
if dp[i-1][j-w[i]] + v[i] >= dp[i-1][j]:
dp[i][j] = dp[i-1][j-w[i]] + v[i]
else:
dp[i][j] = dp[i-1][j]
return dp[m-1][n-1]
if __name__ == '__main__':
c = 10
weight = [0, 2, 2, 6, 5, 4]
value = [0, 6, 3, 5, 4, 6]
dp = []
for i in range(0, len(weight)):
dp.append([])
for j in range(0, c+1):
dp[i].append(0)
print(knapsack(len(weight), c+1, weight, value, dp))
for i in range(0, len(weight)):
print(dp[i])
转载注明出处。