动态规划详解与背包问题

动态规划详解与背包问题

动态规划

1. 动态规划算法的核心是将大问题分解成一个个小的问题，进行解决，进而获得最优解。
2. 动态算法与分治算法类似，都是将大的问题分成一个个小的问题，但是不同的是，动态规划算法分解得到的子问题往往不是独立的，下一个问题的解往往依赖于上一个问题的解。
3. 动态规划常常使用填表的方式解决。

背包问题

背包问题分为简单背包问题（01背包）和完全背包（无限背包）问题。

简单背包：物品最多放一个。

完全背包：物品可以无限用。

在这里我们主要讨论简单背包问题，完全背包问题可以转换为01背包问题。

问题：

分析：

将大的问题分为简单的问题，假设背包容量为0，为1…

假设物品数量为0, 为1…

建立一个二维dp数组

//m , n 分别为物品的个数以及背包的最大容量
//由于要考虑为零的情况，因此+1
int[][] dp = new int[m + 1][n + 1];

寻找dp数组状态转义方程

//当前物品的重量大于当前背包的容量
if (w[i - 1] > j) {
    	dp[i][j] = dp[i - 1][j];
    } else {
    /*当当前物品重量小于当前背包的容量时，有两种情况
    1.剩余重量不足与放其他物品
    2.剩余重量可以放其他物品
    j - w[i - 1]表示放了当前物品之后剩余背包的容量
    比较二者的大小
    * */
    dp[i][j] = Math.max(dp[i - 1][j], val[i - 1] + dp[i - 1][j - w[i - 1]]);
}

完整代码：

import java.util.Arrays;

public class BackPackProblem2 {
    public static void main(String[] args) {
        int[] w = {1, 4, 3}; //物品的重量
        int[] val = {1500, 3000, 2000}; //物品的价值
        int n = 4; //背包的最大容量
        int m = val.length; //物品的个数
        //初始化dp数组
        int[][] dp = new int[m + 1][n + 1];
        //当没有物品时
        for (int i = 0; i < m; i++) {
            dp[m][0] = 0;
        }
        //当背包容量为零时
        for (int i = 0; i < n; i++) {
            dp[0][i] = 0;
        }
        for (int i = 1; i <= m; i++) {
            for (int j = 1; j <= n; j++) {
                //当前物品的重量大于当前背包的容量
                if (w[i - 1] > j) {
                    dp[i][j] = dp[i - 1][j];
                } else {
                    /*当当前物品重量小于当前背包的容量时，有两种情况
                    1.剩余重量不足与放其他物品
                    2.剩余重量可以放其他物品
                    比较二者的大小
                    * */
                    dp[i][j] = Math.max(dp[i - 1][j], val[i - 1] + dp[i - 1][j - w[i - 1]]);
                }
            }
        }
        for (int[] row : dp) {
            System.out.println(Arrays.toString(row));
        }

        System.out.println(dp[m][n]);
    }
}

leetcode动态规划题

64.最小路径和

https://leetcode-cn.com/problems/minimum-path-sum/