完全背包问题

最新推荐文章于 2023-12-27 16:05:52 发布

斵冰且行

最新推荐文章于 2023-12-27 16:05:52 发布

阅读量999

点赞数

分类专栏： ACM 文章标签： acm 动态规划完全背包

本文链接：https://blog.csdn.net/moonspiritacm/article/details/55106736

版权

20 篇文章 1 订阅

订阅专栏

1. 问题描述

有 $N$ 种物品, 物品 $i$ 的重量为 $w_i$ , 价格为 $v_i$ , 背包所能承受的最大重量为 $W$ 。

其中,

N, W, w i, v i \geq 0

$N, W, w_i, v_i \geq 0$

若每种物品仅有一件, 即每种物品的装入状态为 $x_i$ , $x_i \in \{0,1\}$ , 则称该问题为0-1背包问题。

若每种物品可取任意件, 则称该问题为完全背包问题。

完全背包问题是对0-1背包问题的拓展, 它取消了对每种物品拾取数量的限制。

一种朴素的思想就是将完全背包问题转化为0-1背包问题, 依然采用动态规划的思想进行求解。

设 $x_i$ 为物品 $i$ 的数量, 则一定有 $x_i \in [0,\lfloor \frac{W}{w_i} \rfloor]$ , 即可看成物品总数为 $\sum_{i=1}^N \lfloor \frac{W}{w_i} \rfloor$ 的0-1背包问题。
状态转移方程为,

$d p (1, j) = ⌊ j w 1 ⌋ v 1$ $dp(1,j)=\lfloor \frac{j}{w_1} \rfloor v_1$
$d p (i, j) = m a x (d p (i - 1, j - k w i) + k v i) 0 \leq k w i \leq j$ $dp(i,j)=max(dp(i-1,j-kw_i) + kv_i) \ \ \ \ 0 \leq kw_i \leq j$
0-1背包问题需要填充 $N * (W+1)$ 个状态, 每次填充仅需 $\mathcal{O}(1)$ 时间, 时间复杂度为 $\mathcal{O}(NW)$ 。
完全背包问题需要填充 $\sum_{i=1}^N \lfloor \frac{W}{w_i} \rfloor * (W+1)$ 个状态, 每次填充仅需 $\mathcal{O}(1)$ 时间, 时间复杂度为 $\mathcal{O}(NW \sum_{i=1}^N \lfloor \frac{W}{w_i} \rfloor)$ 。
还可以这样考虑：

根据状态转移方程, 二维数组规模仍然为 $N * (W+1)$ , 每个状态需要计算 $\lfloor \frac{j}{w_i} \rfloor$ 个结果的最大值, 即每次填充花费 $\mathcal{O}(\lfloor \frac{j}{w_i} \rfloor)$ , 时间复杂度为 $\mathcal{O}(NW \sum_{i=1}^N \lfloor \frac{W}{w_i} \rfloor)$ 。

以上解题策略在时间复杂度上并非最优, 每个状态的更新过程存在大量重复计算, 即 $max(dp(i-1,j-kw_i) + kv_i)$ 。

假设, $W = 6$ , 第 $i$ 种物品 $w_i = 2$ , 状态更新计算量如下,

若背包容量 $j$ 从小到大增长, 对于同种物品数量增加的情况, 状态更新可借用同一行先前计算的结果, 从而降低时间复杂度。
据此, 状态改变无非两种情况：

(1) 增加同种物品数量, 即 $dp(i,j-w_i)+v_i$

(2) 准备开始添加下一种物品, 即 $dp(i-1,j)$
状态转移方程为,

$d p (i, j) = m a x (d p (i - 1, j), d p (i, j - w i) + v i)$ $dp(i,j)=max(dp(i-1,j),dp(i,j-w_i)+v_i)$
对比0-1背包问题的状态转移方程,

$d p (i, j) = m a x (d p (i - 1, j), d p (i - 1, j - w i) + v i)$ $dp(i,j)=max(dp(i-1,j),dp(i-1,j-w_i)+v_i)$
同样需要填充 $N * (W+1)$ 个状态，每个状态计算的时间复杂度为 $\mathcal{O}(1)$ , 故算法的时间复杂度为 $\mathcal{O}(NW)$ 。