动态规划详解与背包问题
动态规划
- 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。
- 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。
- 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/