多重背包问题
1、参考资料
https://blog.csdn.net/qq_38984851/article/details/81133840
https://www.cnblogs.com/mfrank/p/10816837.html
2、问题描述
有 N
种物品和一个容量为 T
的背包,第 i
种物品最多有 M[i]
件可用,价值为 P[i]
,体积为 V[i]
,求解:选哪些物品放入背包,可以使得这些物品的价值最大,并且体积总和不超过背包容量。
对比一下完全背包,其实只是多了一个限制条件,完全背包问题中,物品可以选择任意多件,只要你装得下,装多少件都行。但多重背包就不一样了,每种物品都有指定的数量限制,所以不是你想装,就能一直装的。
举个栗子:有 A
、B
、C
三种物品,相应的数量、价格和占用空间如下表:
物品 | 重量 | 价值 | 数量 |
---|---|---|---|
A | 2 | 3 | 4 |
B | 3 | 4 | 3 |
C | 4 | 5 | 2 |
3、代码思路
- 采用自上而下的填表法,完全背包对放入背包的数量数量没有限制,多重背包对放入背包的数量数量有限制
- 状态转移方程为:
dp[i][w] = Math.max(dp[i][w], dp[i - 1][w - c * wt[i]] + c * val[i]);
,其中c
为第i
个物品放入背包的数量 - 状态转移方程的意思为:将第
i
个物品一件一件地放入背包中,并找出其中最大价值的方案
其实填个表就明白了
i/j | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
1 | 0 | 0 | 3 | 3 | 6 | 6 | 9 | 9 | 12 | 12 | 12 | 12 | 12 | 12 | 12 | 12 |
2 | 0 | 0 | 3 | 4 | 6 | 7 | 9 | 10 | 12 | 13 | 14 | 16 | 17 | 18 | 20 | 21 |
3 | 0 | 0 | 3 | 4 | 6 | 7 | 9 | 10 | 12 | 13 | 14 | 16 | 17 | 18 | 20 | 21 |
4、代码实现
- 代码
/**
* @ClassName MultiplePackDemo
* @Description TODO
* @Author Heygo
* @Date 2020/8/14 10:56
* @Version 1.0
*/
public class MultiplePackDemo {
public static void main(String[] args) {
int maxValue = multiplePack(15, 3, new int[]{-1, 2, 3, 4}, new int[]{-1, 3, 4, 5}, new int[]{-1, 4, 3, 2});
System.out.println(maxValue);
}
/**
* 多重背包问题
*
* @param W 背包的重量
* @param N 现有物品的数量
* @param wt 物品的重量
* @param val 物品的价值
* @param count 物品的数量
* @return 背包中物品的最大价值
*/
public static int multiplePack(int W, int N, int[] wt, int[] val, int[] count) {
// dp[i][w] 表示:对于前 i 个物品,当背包容量为 w 时,能放下的最大价值为 dp[i][w]
int[][] dp = new int[N + 1][W + 1];
// 从第一个物品开始,一个一个放入物品
for (int i = 1; i <= N; i++) {
// 背包重量逐渐增大,尝试放入物品
for (int w = 1; w <= W; w++) {
// 将第 i 件物品一件一件放入,直到放不下为止
for (int c = 0; c <= count[i] && c * wt[i] <= w; c++) {
// 尝试将第 i 件物品一件一件放入背包,从中取出价值最大的方案
dp[i][w] = Math.max(dp[i][w], dp[i - 1][w - c * wt[i]] + c * val[i]);
}
}
}
for (int[] ints : dp) {
System.out.println(Arrays.toString(ints));
}
return dp[N][W];
}
}
- 程序运行结果
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
[0, 0, 3, 3, 6, 6, 9, 9, 12, 12, 12, 12, 12, 12, 12, 12]
[0, 0, 3, 4, 6, 7, 9, 10, 12, 13, 14, 16, 17, 18, 20, 21]
[0, 0, 3, 4, 6, 7, 9, 10, 12, 13, 14, 16, 17, 18, 20, 21]
21
5、代码优化
代码优化分析
- 上述代码嵌套了三层
for
循环,其实可以进行优化,以wt[i]
表示第i
件物品的重量,以val[i]
表示第i
件物品的价值,以count[i]
表示第i
件物品的数量,以W
表示当前背包的重量 - 优化思路为:如果
count[i]*wt[i]>=W
,这就说明物品i
的数量其实没有限制,那么可以将第i
件物品当做完全背包来处理,否则就只能当做多重背包来处理 - 我们还可以将二维数组
dp[][]
优化为一维数组dp[]
,dp[w]
表示放入第i
(数组下标) 个物品、背包容量为w
时,背包中物品的最大价值
代码实现
- 代码
/**
* @ClassName MultiplePackDemo
* @Description TODO
* @Author Heygo
* @Date 2020/8/14 10:56
* @Version 1.0
*/
public class MultiplePackDemo {
public static void main(String[] args) {
int maxValue = multiplePack(15, 3, new int[]{-1, 2, 3, 4}, new int[]{-1, 3, 4, 5}, new int[]{-1, 4, 3, 2});
System.out.println(maxValue);
}
/**
* 多重背包问题
*
* @param W 背包的重量
* @param N 现有物品的数量
* @param wt 物品的重量
* @param val 物品的价值
* @param count 物品的数量
* @return 背包中物品的最大价值
*/
public static int multiplePack(int W, int N, int[] wt, int[] val, int[] count) {
// dp[w] 表示:对于前 i(数组下标) 个物品,当背包容量为 w 时,能放下的最大价值为 dp[w]
int[] dp = new int[W + 1];
// 从第一个物品开始,一个一个放入物品
for (int i = 1; i <= N; i++) {
// 如果 count[i] * wt[i] >= W,说明当前物品数量无限制,当做完全背包来做
if (count[i] * wt[i] >= W) {
// 完全背包的写法:升序(第 i 件物品可重复放入)
for (int w = wt[i]; w <= W; w++) {
dp[w] = Math.max(dp[w], dp[w - wt[i]] + val[i]);
}
} else {
// 0-1 背包的写法:降序(第 i 次的最大价值依赖于第 i-1 次的最大价值)
for (int w = W; w >= wt[i]; w--) {
// 尝试将第 i 件物品,一件一件放入背包
for (int c = 0; c <= count[i] && c * wt[i] <= w; c++) {
dp[w] = Math.max(dp[w], dp[w - c * wt[i]] + c * val[i]);
}
}
}
System.out.println(Arrays.toString(dp));
}
return dp[W];
}
}
- 程序运行结果
[0, 0, 3, 3, 6, 6, 9, 9, 12, 12, 12, 12, 12, 12, 12, 12]
[0, 0, 3, 4, 6, 7, 9, 10, 12, 13, 14, 16, 17, 18, 20, 21]
[0, 0, 3, 4, 6, 7, 9, 10, 12, 13, 14, 16, 17, 18, 20, 21]
21