微看背包问题（下）

最新推荐文章于 2024-08-09 07:15:00 发布

BLSxiaopanlaile

最新推荐文章于 2024-08-09 07:15:00 发布

阅读量102

点赞数 1

分类专栏： # 计算-数据结构与算法文章标签：动态规划背包问题完全背包

本文链接：https://blog.csdn.net/plm199513100/article/details/110312452

版权

计算-数据结构与算法专栏收录该内容

69 篇文章 0 订阅

订阅专栏

微看背包问题（下）

前言
三、总结
参考

前言

接着上篇，接着总结。

二、完全背包及其解法

2.1 问题描述

完全背包问题和01背包问题框架很像，都是从一批物品中获取一些物品，这些物品的重量有一定的限制（不超过W）,求的是哪种选择可以得到最大的Value。唯一的不同点就在于完全背包中每种物品可以选择任意次（01背包每种物品只能是0或者1次）。

正式的描述如下图：
在这里插入图片描述

2.2 解法

关于递归搜索的解法这里就不说了，和01解法类似，稍有不同的就是如果背包当前剩余的W还可以装下一次目前的物品，那就继续尝试装。

下面主要介绍完全背包的DP解法。

2.2.1 未优化的DP解法

01背包问题中的重复子问题和最优子结构性质和01问题也类似，这里也就不说了。有了01背包的基础，这里应该可以推出其状态定义和其转移方程。

在这里插入图片描述
哎，有点回眸一笑，似曾相识的感觉？
再把01背包问题的状态转移方程拿过来康康。

在这里插入图片描述

对，对于当前物品，选了之后还可不可以重复选就体现在这儿了。

还不懂，有点绕人？

动手画个状态矩阵推推。
在这里插入图片描述
还不懂？

enen…，那就看看其他的资料吧。这里推荐参考【1】。

有了上述的动态方程。代码部分就很简单了。


/*
 *@description 用DP解决完全背包问题
 *@ dp[i][j] : 前i个物品中挑选出总重量不超过j时的总价值的最大值
 *
*/

int ComPacketProblemByDp(){

     vector<vector<int>> dp(n+1,vector<int>(W+1,0));

     for(int i = 1;i<=n;++i){

        for(int j = 0;j<=W;++j){
            if(j < weight[i-1]){
                dp[i][j] = dp[i-1][j];
            }else{
                dp[i][j] = max(dp[i-1][j],dp[i][j-weight[i-1]]+value[i-1]);     //DP递推公式
            }
        }
     }
    return dp[n][W];

}

note:注意这里的下标区别。

2.2.2 状态压缩的DP解法

如果观察状态上述的状态转移矩阵的话，可以发现，每个dp[i+1][j]其实只用到了上面一层的数据（以前的状态），所以可以进行状态压缩，把二维状态压缩为一维的。

代码如下所示：

/*
 *@description 用DP解决完全背包问题，这里用了空间压缩，把二维dp压缩成了一维dp
 *@dp[i][j] : 前i个物品中挑选出总重量不超过j时的总价值的最大值
 *@

*/
int ComPacketProblemByDp1(){
    vector<int> dp(W+1,0);
    for(int i = 1;i<=n;++i){

        for(int j = weight[i-1];j<=W;++j){

            dp[j] = max(dp[j],dp[j-weight[i-1]]+value[i-1]);
        }
    }
    return dp[W];
}