前天在线面试的时候,面试官让我描述我学过的一些算法是怎么运算的,如最长公共子串,我知道其计算过程以及写法,但是突然让我口述过程,描述的时候越来越乱,面试结束后好好的整理了思绪,才觉得应该怎样怎样叙述过程才好,今天闲着也是闲着所以打算用通俗易懂的话去写这篇0-1背包,顺便温习一下,以前大二还是大三的时候上算法课不认真听,只是了解了一下这个算法~_~
0-1背包问题,就是解决,有n 个物品,它们有各自的重量w和价值v,现有给定容量为c的背包,如何让背包里装入的物品具有最大的价值总和。
(这里就不讨论完全背包和多重背包了,如果能够理解得了0-1背包,那么完全背包和多重背包很简单的做,完全背包不过是可重复放入一件物品,而多重背包可以看作是有限放入的完全背包,做法几乎一样)
问题分析:
对于每个物品,我们可以选择放进背包,或者不放进背包。
解决方法1:穷举,通过建立一颗二叉树,每个物品代表一个节点,而其产生的两个分支则代表是否放入背包,这样建立出一个二叉树,而根节点到叶子节点的路径则为一种选择方案,然后我们从所有方案种比较出最大值,以及得到这条方案的路径。
缺点:最多会执行2^n次方次运算。
用公式表达的话,即:F(i,j)=max{F(i+1,j),F(i+1,j-w[i])+v[i]}
且j>=w[i]
其中i为物品序号,j为背包容量,i=1,2,3…n,当j<=0时,F(i,j)=0
,表达式也可以表示为F(i,j)=max{F(i-1,j),F(i-1,j-w[i])+v[i]},这样表示只是边界条件不同而已。
代码:
//space为背包大小,index为物件的下标(默认从0开始遍历所有物件)
//size为物件的个数
int backpack(int *weight, int *value, int space, int index, int size) {
if (space <= 0 || index >= size) {
return 0;
}
//left为当前物件不放入背包,计算下一个物件
int left = backpack(weight, value, space, index + 1,size);
//right为当前物件放入背包,计算下一个物件
int right = backpack(weight, value, space - weight[index], index + 1,size);
if (space - weight[index] >= 0) {
right += value[index];
}
int res = max(left, right);
return res;
}
int main()
{
int v[] = { 8,10,6,3,7,2 };
int w[] = { 4,6,2,2,5,1 };
int r = backpack(w, v, 12, 0,6);
cout << r;
return 0;
}
解决方法2:运用动态规划,运用的函数表达式与穷举方法一样,但是表示的含义却不同,动态规划将背包分为1~N个阶段(N为物品数量),如n=1,就表示背包存储物品1的时候不同背包空间(1~C)的最优结果,n=2则表示背包存储物品1和物品2在不同背包空间下的最优结果(依赖于n=1阶段的结果),这样我们就能够在n=N,c=C的时候得出最优值。
比起穷举法来说,动态规划时间复杂度为O(n^2),比穷举法计算量少很多很多。
代码:
int backpack1(int *weight, int *value, int space, int index, int size) {
space += 1;
int **ary = new int*[size];
for (int i = 0; i < size; i++) {
ary[i] = new int[space]();
}
for (int i = 0; i < size; i++) {
for (int j = 0; j < space; j++) {
int flag = j - weight[i];
if (i==0) {
if (flag >= 0) {
ary[i][j] = value[i];
}
continue;
}
ary[i][j] = ary[i - 1][j];
if (flag >= 0) {
ary[i][j] = max(ary[i][j], ary[i - 1][flag] + value[i]);
}
}
}
int res = ary[size - 1][space - 1];
for (int i = 0; i < size; i++)
delete[] ary[i];
delete[] ary;
return res;
}