目录
01背包问题
每件物品只能用0次或者1次
什么是背包问题?
背包问题(Knapsack problem)是一种组合优化的NP完全问题。问题可以描述为:给定一组物品,每种物品都有自己的重量和价格,在限定的总重量内,我们如何选择,才能使得物品的总价格最高。问题的名称来源于如何选择最合适的物品放置于给定背包中。
题目:
有 N 件物品和一个容量是 V 的背包。每件物品只能使用一次。
第 i 件物品的体积是 ,价值是
。
求解将哪些物品装入背包,可使这些物品的总体积不超过背包容量,且总价值最大。
输出最大价值。
输入格式:
第一行两个整数,N,V,用空格隔开,分别表示物品数量和背包容积。
输出格式:
输出一个整数,表示最大价值。
数据范围:
0<N,V≤1000
0< ,
≤ 1000
输入样例:
4 5
1 2
2 4
3 4
4 5
输出样例:
8
原题链接:2. 01背包问题 - AcWing题库
朴素做法:
用一个二维数组f[i][j]来存储,在不超过体积j的前提下,从前i个物品中选,能够得到的最大价值。
当我们选择第i件物品时,仅有两种选法,选或者不选第i件物品。
- 选第i件物品,相当于已经选择了第i件物品,再从中选择不超过j-v[i]的物品,对应的价值就是f[i-1][j-v[i]]+w[i]相当于,所以有前i-1件物品的价值可以推出第i件物品的价值。
- 当不选第i件物品时,说明从前i-1件物品中选择更有价值,即f[i-1][j];
通过以上可以得出二维的递推公式f[i][j]=max(f[i-1][j],f[i-1][j-v[i]]+w[i]);
由递推公式可以推出第i层物品是由第i-1层物品决定的。
参考代码:
#include<iostream>
#include<cstring>
#include<algorithm>
using namespace std;
const int N=1010;
int f[N][N];
int v[N],w[N];
int n,m;
int main()
{
cin>>n>>m;
for(int i=1;i<=n;i++)cin>>v[i]>>w[i];
for(int i=1;i<=n;i++)
{
for(int j=0;j<=m;j++)
{
f[i][j]=f[i-1][j];
if(j>=v[i])
{
f[i][j]=max(f[i][j],f[i-1][j-v[i]]+w[i]);
}
}
}
int res=0;
for(int i=0;i<=m;i++)res=max(res,f[n][i]);
cout<<res<<endl;
return 0;
}
我们还能进行优化吗?当然可以,可以用动态数组进行优化,但是没有必要。我们可以将二维优化为一维。但是我们如何进行优化呢?
假如我们将[i]这一层去掉,那么f[j]到底表示什么含义呢?f[j]其实表示的就是第i层的不超过体积j的最大价值,而我们实际上要的是从第i-1层的f[j]递推到下一层。为什么会出现这种情况呢?这是因为我们用二维数组时j是从小到大进行枚举状态(0~m).那么怎么解决呢?
其实我们可以从大到小枚举所有的j。对于一个二维f[i][j]如果从小到大进行枚举,得到一个第i层的f[i][j],可以是从第i-1层的f[i-1][j]或者f[i-1][j-v[i]],第i层的f[i][j+v[i]]是由i-1的f[i-1][j]或者f[i-1][j+v[i]],如果减到一维那么第i层的f[i][j+v[i]]是由上一层的f[i-1][j]更新过来的,而f[i-1][j]已经更新成了第i层的f[i][j],这样以来肯定会出错,如果从大到小枚举,前面一层的状态肯定没有用过,所以不会出现这样的问题。
可以得到一维的状态转移公式f[j]=max(f[j],f[j-v[i]]+w[i])
使用滚动数组进行优化:
参考代码:
#include<iostream>
#include<algorithm>
#include<cstring>
using namespace std;
const int N=1010;
int f[N];
int v[N],w[N];
int n,m;
int main()
{
cin>>n>>m;
for(int i=1;i<=n;i++)cin>>v[i]>>w[i];
for(int i=1;i<=n;i++)
{
for(int j=m;j>=v[i];j--)
{
f[j]=max(f[j],f[j-v[i]]+w[i]);
}
}
cout<<f[m]<<endl;
return 0;
}
完全背包问题
完全背包问题和01背包问题不同的是每种物品有无限件。
题目:
有 N 种物品和一个容量是 V 的背包,每种物品都有无限件可用。
第 i 种物品的体积是 ,价值是
。
求解将哪些物品装入背包,可使这些物品的总体积不超过背包容量,且总价值最大。
输出最大价值。
输入格式:
第一行两个整数,N,V,用空格隔开,分别表示物品种数和背包容积。
接下来有 N 行,每行两个整数 ,
,用空格隔开,分别表示第 i 种物品的体积和价值。
输出格式:
输出一个整数,表示最大价值。
数据范围:
0<N,V≤1000
0<≤1000
输入样例:
4 5
1 2
2 4
3 4
4 5
输出样例:
10
原题链接:3. 完全背包问题 - AcWing题库
分析:
我们要求的是怎样使不超过背包体积的情况下,且总价值最大的值。可以将f[i][j]的状态表示为,选0件第i件物品总体积不超过j的所有集合,选1件第i件物品不超过体积j的所有集合····直到体积不超过j为止。所以我们可以将其转换成多种情况,只要找出每种情况再求出它们的最大值即可。
- 当我们选择0件第i件物品时,相当于从前i个物品中选总体积不超过j的方案的集合,因为我们没有选择第i件物品所以f[i][j]相当于f[i-1][j]。
- 当我们选择k件第i件物品时,相当于k件i物品的状态已经确定,只需要让前i-1件选总体积不超过j-kv[i]的方案的集合最大即可。
所以我们只需要求所有情况的最大值即可。
f[i][j]=max(f[i-1][j],f[i-1][j-v[i]]+w[i],f[i-1][j-2v[i]]+2w[i],···,f[i-1][j-kv[i]]+kw[i],····)
参考代码:
#include<iostream>
using namespace std;
const int N = 1010;
int f[N][N];
int v[N],w[N];
int main(){
int n,m;
cin>>n>>m;
for(int i = 1 ; i <= n ;i ++) cin>>v[i]>>w[i];
for(int i = 1 ; i<=n ;i++){
for(int j = 0 ; j<=m ;j++) {
for(int k = 0 ; k*v[i]<=j ; k++)
f[i][j] = max(f[i][j],f[i-1][j-k*v[i]]+k*w[i]);
}
}
cout<<f[n][m]<<endl;
}
由于我们最终的表达式不仅含有i和j还有k,所以我们需要一个三重循环来求最大值,那么循环完就是10^9所以一定会超时。 所以怎么进行优化呢?
f[i][j]=max(f[i-1][j],f[i-1][j-v[i]]+w[i],f[i-1][j-2v[i]]+2w[i],···,f[i-1][j-kv[i]]+kw[i],····) (1)
f[i][j-v[i]]=max(f[i-1][j-v[i]],f[i-1][j-2v[i]]+w[i],f[i-1][j-3v[i]]+2w[i],···) (2)
我们让(1)式中j=j-v[i],我们可以得到(2)式,我们可以(1)式发现红色部分只是比(2)式红色部分每一项多了一个w[i],我们让(2)式左右两边加上w[i],这样我们就可以得到状态转移方程。
f[i][j]=max(f[i-1][j],f[i][j-v[i]]+w[i])
通过对比01背包状态转移方程和完全背包的状态转移方程,只有i不同,所以我们仿照一维01背包进行优化时,只需要将j从大到小改成从小到大。
f[i][j]=max(f[i-1][j],f[i-1][j-v[i]]+w[i]); //01背包
f[i][j]=max(f[i-1][j],f[i][j-v[i]]+w[i]); //完全背包
朴素做法:
#include<iostream>
using namespace std;
const int N=1010;
int f[N][N];
int v[N],w[N];
int main()
{
int n,m;
cin>>n>>m;
for(int i=1;i<=n;i++)cin>>v[i]>>w[i];
for(int i=1;i<=n;i++)
for(int j=0;j<=m;j++)
{
f[i][j]=f[i-1][j];
if(j>=v[i])f[i][j]=max(f[i][j],f[i][j-v[i]]+w[i]);
}
cout<<f[n][m]<<endl;
return 0;
}
使用滚动数组进行优化:
仿照01背包将j从小到大枚举
#include<iostream>
using namespace std;
const int N=1010;
int f[N];
int v[N],w[N];
int main()
{
int n,m;
cin>>n>>m;
for(int i=1;i<=n;i++)cin>>v[i]>>w[i];
for(int i=1;i<=n;i++)
for(int j=v[i];j<=m;j++)
{
f[j]=max(f[j],f[j-v[i]]+w[i]);
}
cout<<f[m]<<endl;
return 0;
}
多重背包问题
多重背包问题其实就是01背包问题的扩展。
题目:
有 N 种物品和一个容量是 V 的背包。
第 i 种物品最多有件,每件体积是
,价值是
。
求解将哪些物品装入背包,可使物品体积总和不超过背包容量,且价值总和最大。
输出最大价值。
输入格式:
第一行两个整数,N,V,用空格隔开,分别表示物品种数和背包容积。
接下来有 N 行,每行三个整数 ,
,
,用空格隔开,分别表示第 i 种物品的体积、价值和数量。
输出格式:
输出一个整数,表示最大价值。
数据范围:
0<N,V≤100
0< ,
,
≤100
输入样例:
4 5
1 2 3
2 4 1
3 4 3
4 5 2
输出样例:
10
我们可以发现多重背包和01背包、完全背包不同的是第i件物品的限制,所以我们只需要在01背包的基础上再加一层循环来枚举第i层选择的所有情况
参考代码:
#include<iostream>
using namespace std;
const int N=110;
int f[N];
int n,m;
int main()
{
cin>>n>>m;
for(int i=1;i<=n;i++)
{
int v,w,s;
cin>>v>>w>>s;
for(int j=m;j>=0;j--)
{
for(int k=1;k<=s&&k*v<=j;k++)
{
f[j]=max(f[j],f[j-k*v]+k*w);
}
}
}
cout<<f[m]<<endl;
return 0;
}
在这道题中因为我们的数据比较小,所以我们用O(n^3)的时间复杂度就可以通过,但是如果我们的数据改为:
数据范围:
0<N≤1000
0<V≤2000
0< ,
,
≤2000
如果还用O(n^3)的方法,10^9肯定会超时 ,所以我们怎么去优化呢?
多重背包的二进制优化方法
首先我们想的是如何将一个多重背包问题转换成一个0/1背包问题。假设我们第i种物品有s个,体积是v价值是w,我们可以将s个物品分成s份,每份最多有一个,那么我们就将一个问题转换成了0/1背包问题,如果我们直接拆,那么我们有2000个i种物品就拆成2000份,我们有1000种物品,那么就是2*10^6种情况,最后也是10^9,也会超时。如果我们能找到到一种拆法,让拆的物品份数足够少,那么我们就完成了优化。
比如我们的s=7,那么我们暴力的拆法是将7拆成7个1,如果我们想要让拆开的数的组数最小,我们可以用二进制的方法来表示,7=1+2+4,但这样同时也存在一个问题如何表示一个不是2的幂的一个数字,比如10,因为三个二进制数字最多只能表示到7,四个二进制数字又表示15又超过了10。我们可以这样计算所需二进制数的数量,每次减去一个2的幂,直到减到这个数是一个负数,那么此时表示的二进制数字一定能表示s份。这样我们就把s优化成了,时间复杂度就变成了1000*
*2000约等于2*10^7,这样就完成了优化。
参考代码:
#include<iostream>
#include<algorithm>
using namespace std;
const int N=2010;
int f[N];
int v,w,s;
int n,m;
struct Good
{
int v,w;
};
vector<Good> goods;
int main()
{
cin>>n>>m;
for(int i=1;i<=n;i++)
{
cin>>v>>w>>s;
for(int k=1;k<=s;k*=2)
{
s-=k;
goods.push_back({k*v,k*w});
}
if(s>0)goods.push_back({s*v,s*w});
}
for(auto good:goods)
{
for(int j=m;j>=good.v;j--)
{
f[j]=max(f[j],f[j-good.v]+good.w);
}
}
cout<<f[m]<<endl;
return 0;
}
分组背包问题
分组背包问题其实就是0/1背包问题的一个变种。0/1背包是第i种物品选择0/1个,分组背包问题是每组选择0/1个,不同点是每组物品有s个,我们要枚举0~s种情况。
题目:
有 N 组物品和一个容量是 V 的背包。
每组物品有若干个,同一组内的物品最多只能选一个。
每件物品的体积是 ,价值是
,其中 i 是组号,j 是组内编号。
求解将哪些物品装入背包,可使物品总体积不超过背包容量,且总价值最大。
输出最大价值。
输入格式:
第一行有两个整数 N,V,用空格隔开,分别表示物品组数和背包容量。
接下来有 N 组数据:
- 每组数据第一行有一个整数
,表示第 i 个物品组的物品数量;
- 每组数据接下来有
行,每行有两个整数
,
,用空格隔开,分别表示第 i 个物品组的第 j 个物品的体积和价值;
输出格式:
输出一个整数,表示最大价值。
数据范围:
0<N,V≤100
0<≤100
0<,
≤100
输入样例:
3 5
2
1 2
2 4
1
3 4
1
4 5
输出样例:
8
原题链接: 9. 分组背包问题 - AcWing题库
参考代码:
#include<iostream>
#include<algorithm>
using namespace std;
const int N=110;
int f[N],v[N],w[N];
int n,m;
int main()
{
cin>>n>>m;
for(int i=0;i<n;i++)
{
int s;
cin>>s;
for(int j=0;j<s;j++)cin>>v[j]>>w[j];
for(int j=m;j>=0;j--)
{
for(int k=0;k<s;k++)
{
if(j>=v[k])f[j]=max(f[j],f[j-v[k]]+w[k]);
//保证背包剩余的体积一定是大于0
}
}
}
cout<<f[m]<<endl;
return 0;
}
最后再解释一下为什么是i,j,k这个顺序进行枚举,不能是i,k,j这个顺序进行枚举吗?
- 不能。
这里引用y总的解释,背包问题在优化完空间之后,循环顺序必须是物品、体积、决策。这里的第三维虽然看似是在循环物品,但其实是循环当前物品组中的决策:我是选第1个物品呢,还是选第2个物品呢,还是选第3个物品呢,以此类推。
总结
处理背包问题的一个思路:
处理背包问题的思路主要包括状态定义、状态转移和边界处理。
1. 确定问题类型。背包问题分为01背包、完全背包和多重背包三种类型,需要根据具体问题的要求来选择对应的问题类型。
2. 确定状态。将问题抽象成"在选取若干种物品时,限制总重量/总体积的条件下,能获取到的最大价值",因此,背包问题的状态包括选择的物品编号和背包剩余容量(或已使用容量)。
3. 定义状态转移方程。状态转移方程即当前状态的最优值与之前的状态有何关联。具体来说,需要根据问题类型分别写出01背包、完全背包和多重背包的状态转移方程。
4. 确定边界条件。状态转移方程需要依赖于边界条件,对于背包问题而言,边界条件通常是背包容量为0时的最优值为0。
5. 计算答案。根据状态转移方程计算出最优值,即选取物品的最大价值。
以此类推,以上五步是处理所有背包问题的通用思路。