算法-动态规划3组合问题-0/1背包问题

算法-动态规划3-0/1背包问题

动态规划与分治法类似，都是把大问题拆分成小问题，通过寻找大问题与小问题的递推关系，解决一个个小问题，最终达到解决原问题的效果。但不同的是，分治法在子问题和子子问题等上被重复计算了很多次，而动态规划则具有记忆性，通过填写表把所有已经解决的子问题答案纪录下来，在新问题里需要用到的子问题可以直接提取，避免了重复计算，从而节约了时间，所以在问题满足最优性原理之后，用动态规划解决问题的核心就在于填表，表填写完毕，最优解也就找到。

0/1背包问题：
给定n个重量为{w1, w2, … ,wn}、价值为{v1, v2, … ,vn}的物品和一个容量为C的背包，求这些物品中的一个最有价值的子集，并且要能够装到背包中。

0/1背包问题可以看作是决策一个序列(x1, x2, …, xn)，对任一变量xi的决策是决定xi=1还是xi=0。在对xi-1决策后，已确定了(x1, …, xi-1)，在决策xi时，问题处于下列两种状态之一：
（1）背包容量不足以装入物品i，则xi=0，背包不增加价值；
（2）背包容量可以装入物品i，则xi=1，背包的价值增加了vi；

这两种情况下背包价值的最大者应该是对xi决策后的背包价值。令V(i, j)表示在前i(1≤i≤n)个物品中能够装入容量为j（1≤j≤C）的背包中的物品的最大值，则可以得到如下动态规划函数：

V(i, 0)= V(0, j)=0 ；

还有足够的容量可以装该商品，但装了也不一定达到当前最优价值，所以在装与不装之间选择最优的一个，即V(i,j)=max｛V(i-1,j)，V(i-1,j-w(i))+v(i)｝

然后一行一行的填表：

• 如i=1，j=1，w(1)=2，v(1)=3，有j<w(1)，故V(1,1)=V(1-1,1)=0；
• 又如i=1，j=2，w(1)=2，v(1)=3，有j=w(1),故V(1,2)=max｛ V(1-1,2)，V(1-1,2-w(1))+v(1) ｝=max｛0，0+3｝=3；
• 如此下去，填到最后一个，i=4，j=8，w(4)=5，v(4)=6，有j>w(4)，故V(4,8)=max｛ V(4-1,8)，V(4-1,8-w(4))+v(4) ｝=max｛9，4+6｝=10……

所以填完表如下图：

设n个物品的重量存储在数组w[n]中，价值存储在数组v[n]中，背包容量为C，数组V[n+1][C+1]存放迭代结果，其中V[i][j]表示前i个物品装入容量为j的背包中获得的最大价值，数组x[n]存储装入背包的物品，动态规划法求解0/1背包问题的算法如下：
代码：

int KnapSack(int w[], int v[], int n, int C) {
	for (int i = 0; i <= n; i++) {	//初始化第0列
		V[i][0] = 0;
	}
	for (int j = 0; j <= C; j++) {	//初始化第0行
		V[0][j] = 0;
	}

	for (int i = 1; i <= n; i++) {	//计算第i行，进行第i次迭代
		for (int j = 1; j <= C; j++) {
			if (j < w[i]) {
				V[i][j] = V[i - 1][j];
			}
			else {
				V[i][j] = max(V[i - 1][j], V[i - 1][j - w[i]] + v[i]);
			}
		}
	}
	for (int j = C, int i = n; i > 0; i--) {	//求装入背包的物品
		if (V[i][j] > V[i - 1][j]) {
			x[i] = 1;
			j = j - w[i];
		}
		else {
			x[i] = 0;
		}
	}
	return V[n][C];		//返回背包取得的最大价值
}

在该算法中，第一个for循环的时间性能是O(n)，第二个for循环的时间性能是O（C),第三个循环是两层嵌套的for循环，其时间性能是O(n×C)，第四个for循环的时间性能是O(n)，所以，算法6.3的时间复杂性为O(n×C)。