1、问题描述
已知:有一个容量为V的背包和N件物品,第i件物品的重量是weight[i],收益是cost[i]。
条件:每种物品都有无限件,能放多少就放多少。
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
2、看到这个问题,可能会想到贪心算法,但是贪心其实是不对的。例如最少硬币找零问题,要用动态规划。动态规划思想就是解决子问题并记录子问题的解,这样就不用重复解决子问题了。所以贪心用到的情况真的很少很少的感觉,以前老把这两个弄混。
3、01背包与完全背包
01背包就是有N件物品,不重复的,每个只能取一次,而完全背包就是每件物品都有一定数量数量,有多少就可以拿多少。
4、01背包问题
状态转换方程 f[i,j] = Max{ f[i-1,j-Wi]+Pi( j >= Wi ), f[i-1,j] }
f[i,j]表示在前i件物品中选择若干件放在承重为 j 的背包中,可以取得的最大价值。
Pi表示第i件物品的价值。
决策:为了背包中物品总价值最大化,第 i件物品应该放入背包中吗 ?
首先要明确这张表是至底向上,从左到右生成的。
为了叙述方便,用e2单元格表示e行2列的单元格,这个单元格的意义是用来表示只有物品e时,有个承重为2的背包,那么这个背包的最大价值是0,因为e物品的重量是4,背包装不了。也就是选择c,那么物品只有c,d,e选择b,物品就是b,c,d,e。
对于d2单元格,表示只有物品e,d时,承重为2的背包,所能装入的最大价值,仍然是0,因为物品e,d都不是这个背包能装的。
同理,c2=0,b2=3,a2=6。
对于承重为8的背包,a8=15,是怎么得出的呢?
根据01背包的状态转换方程,需要考察两个值,
一个是f[i-1,j],对于这个例子来说就是b8的值9,另一个是f[i-1,j-Wi]+Pi;
在这里。
f[i-1,j]表示我有一个承重为8的背包,当只有物品b,c,d,e四件可选时,这个背包能装入的最大价值
f[i-1,j-Wi]表示我有一个承重为6的背包(等于当前背包承重减去物品a的重量),当只有物品b,c,d,e四件可选时,这个背包能装入的最大价值
f[i-1,j-Wi]就是指单元格b6,值为9,Pi指的是a物品的价值,即6
由于f[i-1,j-Wi]+Pi = 9 + 6 = 15 大于f[i-1,j] = 9,所以物品a应该放入承重为8的背包。
也就是我们判断每一个物品要不要放的情况,都是判断不放这个最后的价值多少,假设放进去,前面剩下的空间最大的价值加上这个物品的价值是多少,比较两个的大小,判断这个物品是否需要放进去。
#include<iostream>
using namespace std;
unsigned int f[10];
unsigned int weight[10];
unsigned int value[10];
#define max(x,y) (x)>(y)?(x):(y)
int main()
{
int N,M;
cin>>N;//物品个数
cin>>M;//背包容量
for (int i=1;i<=N; i++)
{
cin>>weight[i]>>value[i];
}
for (int i=1; i<=N; i++)
for (int j=M; j>=weight[i]; j--)
f[j] = max(f[j], f[j-weight[i]]+value[i]);
cout<<f[M]<<endl;//输出最优解
}
5、完全背包问题
转化方程:f[i][j] = max(f[i-1][j],f[i - K * W[i]] + K * Pi); 其中 1 <= K * weight[i] <= v,(v指此时背包容量)
同样意思是,找出不加这个物品所能装的最大价值,和减去k个新物品质量用前几个物品的最大价值加上k个新物品的最大价值相比较,得出最高价值的。也就是比01背包问题多了一个k个新物品而已。
#include<iostream>
using namespace std;
#define V 1500
unsigned int f[V];//全局变量,自动初始化为0
unsigned int weight[10];
unsigned int value[10];
#define max(x,y) (x)>(y)?(x):(y)
int main()
{
int N,M;
cin>>N;//物品个数
cin>>M;//背包容量
for (int i=1;i<=N; i++)
{
cin>>weight[i]>>value[i];
}
for (int i=1; i<=N; i++)
for (int j=weight[i]; j<=M; j++)
f[j] = max(f[j], f[j-weight[i]]+value[i]);
cout<<f[M]<<endl;//输出最优解
}
这里我们可以看出完全背包问题与01背包的算法在j的取值循环上有一点区别,可以这样理解,都是物品数量增加这是外面的大循环,然后看01背包的算法,从M到weight[i],如果加入新物品价值高就取,那么无论j怎么取,这个f[j]里永远只有一个新物品,因为质量从大到小,每次f[j-weight[i]]肯定是没有新物品在里面的,所以所有的选择都是一次。然后看完全背包的,从weight[i]到M,当j增加的时候,比如新物品质量是2,那么f[2]里可能放入了新物品,那么f[4],就可能放入两次新物品。一切就理清楚了哈哈哈,记录下来,说不定晚上又混了。。。。