多重背包
问题简析
已知:有一个容量为V的背包和N件物品,第i件物品最多有Num[i]件,每件物品的重量是weight[i],收益是cost[i]。
问题:在不超过背包容量的情况下,最多能获得多少价值或收益
举例:背包容量为V = 8,则背包可以装下的最大价值为64.即2个物品三,4个物品一
算法简析
本问题和完全背包很类似,不过添加了数目的限制条件。这里直接给出方程。
状态转移方程:
f[i][v]:表示前i件物品放入重量为v的背包获得的最大收益
f[i][v] = max(f[i][v],f[i - 1][V - k * Weight[i]] + k * Value[i]);
其中0 <= k <= min(Num[i],V/Weight[i]);//这里和完全背包不。
边界条件
f[i][0] = 0;
f[v][0] = 0;
算法步骤
for (int i = 1;i <= N;i++)
{
for (int v = Weight[i];v <= V;v++)
{
f[i][v] = 0;
nCount = min(Num[i],v/Weight[i]);//是当前背包容量v,而不是背包的总容量
for (int k = 0;k <= nCount;k++)
{
f[i][v] = max(f[i][v],f[i - 1][v - k * Weight[i]] + k * Value[i]);
}
}
}
return f[N][V];
算法优化->转换01背包
即将所有物品全部单独列出当作一种数量为1的物品然后可以用之前的二维转换一维的方式优化空间复杂度。此方法思路简单,但对于时间上没有帮助故此不进行举例。
算法优化->二进制拆分
对每i件物品,拆分的策略为:新拆分的物品的重量等于1件,2件,4件,..,(2^(k - 1)),Num[i] - (2^(k - 1))件,其中k 是满足Num[i] - 2^k + 1 > 0 的最大整数。
注意,
(1)最后一个物品的件数的求法和前面不同,其直接等于 该物品的最大件数 - 前面已经分配之和。
(2)分成的这几件物品的系数和为Num[i],表明第i种物品取的件数不能多于Num[i]。
举例:某物品为13件,则其可以分成四件物品,其系数为1,2,4,6.这里k = 3。
当然,这里使用二进制的前提还是使用二进制拆分能保证对于0,,,Num[i]间的每一个整数,均可以用若干个系数的和表示。
具体使用时,有一个小优化,即:
我们不对所有的物品进行拆分,因此物品一旦拆分,其物品个数肯定增加,那么复杂度肯定上去。
此时,我们可以选择性地对物品进行拆分:
(1)如果第i个物品的重量Weight[i] * 物品的个数Num[i] >= 背包总重量V,可以不用拆分。
(2)如果第i个物品的重量Weight[i] * 物品的个数Num[i] < 背包总重量V,可以不用拆分。
其实,拆不拆分,就看该物品能不能满足完全背包的条件。即,看该物品能不能无限量供应。
解释:为啥满足Weight[i] * 物品的个数Num[i] >= 背包总重量V的物品可以不用拆分?
此时,满足该条件时,此物品原则上是无限供应,直到背包放不下为止。
最终,对于不需要拆分的物品,可以看出完全背包的情况,调用处理完全背包物品的函数。对于需要拆分的物品,可以看出01背包的情况,调用处理01背包物品的函数。
这样,由于不对满足完全背包的物品进行拆分,此时物品个数就没有对所有物品拆分时的物品个数多,即程序中外层循环降低,复杂度也就下去了。
for (int i = 1;i <= N;i++)
{
if (Weight[i] * Num[i] >= V)
{
//完全背包:该类物品原则上是无限供应,
//此时满足条件Weight[i] * Num[i] >= V时,
//表示无限量供应,直到背包放不下为止.
CompletePack(Weight[i],Value[i]);
}
else
{
k = 1;
nCount = Num[i];
while(k <= nCount)
{
ZeroOnePack(k * Weight[i],k * Value[i]);
nCount -= k;
k *= 2;
}
ZeroOnePack(nCount * Weight[i],nCount * Value[i]);
}
}
return f[V];