动态规划之背包简介

动态规划0/1背包问题 
【0/1背包问题】 
    在0/1背包问题中，需对容量为c 的背包进行装载。从n 个物品中选取装入背包的物品，每件物品i 的重量为wi ，价值为pi 。对于可行的背包装载，背包中物品的总重量不能超过背包的容量，最佳装载是指所装入的物品价值最高，即p1*x1+p2*x1+...+pi*xi(其1<=i<=n，x取0或1，取1表示选取物品i) 取得最大值。 【输入文件】 
 第一行一个数c，为背包容量。  第二行一个数n，为物品数量 
 第三行n个数，以空格间隔，为n个物品的重量  第四行n个数，以空格间隔，为n个物品的价值  【输出文件】 
 能取得的最大价值。 【分析】 
    初看这类问题，第一个想到的会是贪心，但是贪心法却无法保证一定能得到最优解，看以下实例： 
    贪心准则1：从剩余的物品中，选出可以装入背包的价值最大的物品，利用这种规则，价值最大的物品首先被装入（假设有足够容量），然后是下一个价值最大的物品，如此继续下去。这种策略不能保证得到最优解。例如，考虑n=2, w=[100,10,10], p =[20,15,15], c =105。当利用价值贪婪准则时，获得的解为x= [1,0,0]，这种方案的总价值为20。而最优解为[0,1,1]，其总价值为30。 
    贪心准则2：从剩下的物品中选择可装入背包的重量最小的物品。虽然这种规则对于前面的例子能产生最优解，但在一般情况下则不一定能得到最优解。考虑n= 2 ,w=[10,20], p=[5,100], c= 2 5。当利用重量贪婪策略时，获得的解为x =[1,0], 比最优解[ 0 , 1 ]要差。     贪心准则3：价值密度pi /wi 贪婪算法，这种选择准则为：从剩余物品中选择可 装入包的pi /wi 值最大的物品，但是这种策略也不能保证得到最优解。利用此策略解 n=3 ,w=[20,15,15], p=[40,25,25], c=30 时的得到的就不是最优解。   
    由此我们知道无法使用贪心算法来解此类问题。我们采用如下思路： 
    在该问题中需要决定x1 .. xn的值。假设按i = 1，2，...，n 的次序来确定xi 的值。如果置x1 = 0，则问题转变为相对于其余物品(即物品2，3，.，n)，背包容量仍为c 的背包问题。若置x1 = 1，问题就变为关于最大背包容量为c-w1 的问题。现设r={c，c-w1} 为剩余的背包容量。在第一次决策之后，剩下的问题便是考虑背包容量为r 时的决策。不管x1 是0或是1，[x2 ，.，xn ] 必须是第一次决策之后的一个最优方案。也就是说在此问题中，最优决策序列由最优决策子序列组成。  
    假设f (i,j) 表示剩余容量为j，剩余物品为i，i + 1，...，n 时的最优解的值，即：利用最优序列由最优子序列构成的结论，可得到f 的递归式为：    当j≥wi时： f(i,j)=max{f(i+1,j),f(i+1,j-wi)+pi}     当0≤j<wi时：f(i,j)=f(i+1,j) 
    这是一个递归的算法，其时间效率较低，为指数级。  
    考虑用动态规划的方法来解决: 

    阶段：在前i件物品中，选取若干件物品放入背包中

  状态：在前i件物品中，选取若干件物品放入所剩空间为c的背包中的所能获得的最大价值；  
    决策：第i件物品放或者不放；      由此可以写出动态转移方程：  
    用f[i,j]表示在前 i 件物品中选择若干件放在所剩空间为 j 的背包里所能获得的最大价值  
              f[i,j]=max{f[i-1,j-wi]+pi (j>=wi), f[i-1,j]}  这样，就可以自底向上地得出在前n件物品中取出若干件放进背包能获得的最大价值，也就是f[n,c]   
    算法框架如下：

for i:=0 to c do    {i=0也就是没有物品时清零}      f[0,i]:=0;  
   for i:=1 to n do    {枚举n件物品}  
     for j:=0 to c do  {枚举所有的装入情况}       begin  
       f[i,j]:=f[i-1,j];  {先让本次装入结果等于上次结果}  
       if (j>=w[i]) and (f[i-1,j-w[i]]+p[i]>f[i,j])   {如果能装第i件物品} 
         then f[i,j]:=f[i-1,j-w[i]]+p[i];             {且装入后价值变大则装入}         end;  
   writeln(f[n,c]);