01背包:
问题描述:
有 N 件物品和一个容量是 V 的背包。每件物品只能使用一次。
第 i 件物品的体积是 Vi,价值是 Wi。
求解将哪些物品装入背包,可使这些物品的总体积不超过背包容量,且总价值最大。
输出最大价值。
问题分析:
为方便描述, 第i件物品的体积v, 价值w 分别记成 目标分量goal (简记gl), 约束分量limit(简记lmt); 容量V 记成 最大约束总量lmt_max
//问题描述
struct bag{
int gl, lmt; //目标分量goal, 约束分量limit
}b[maxn];
int n, lmt_max //物品数, 最大约束总量
大问题:f(n, lmt_max)
小问题:max{ f(n-1, lmt_max - k*lmt) }, k = 0, 1
定义dp[i][j]:考虑前 i 个物品, 约束值 不超过 j 的 最大目标函数值
转态转移方程:dp[i][j] = max{ dp[i-k][j - k*lmt] + k*gl }, k = 0 或 (k = 1 && j >= lmt)
或= max{ dp[i-1][j], dp[i-1][j - lmt] + gl }
//O(n^2)
int dp[maxn][maxn];
int f(){
for(int i=1; i<=n; i++){
for(int j=1; j<=lmt_max; j++){
if(j >= b[i].lmt){
dp[i][j] = max(dp[i-1][j], dp[i-1][j-b[i].lmt] + b[i].gl);
}
else dp[i][j] = dp[i-1][j];
}
}
return dp[n][lmt_max];
}
滚动数组优化(空间复杂度优化):
可以观察到每个状态都跟 上层的左边两个状态 有关(如图)
如果把dp数组第一维压缩成“一点”(空间复杂度降1阶),新的状态应与左边的状态有关(如图)
此时应考虑一个问题:是从左往右递推, 还是从右往左?
如果从左往右递推, 假设左边的状态已通过该方式更新,那么新状态是通过该层的状态更新的, 与递推关系矛盾(因为每个状态都跟 (逻辑上的)上层的左边两个状态 有关),其原因是在递推时(逻辑上的)上层的被覆盖了, 因此从左往右不可行
考虑从右往左递推, 每个新状态都是跟(逻辑上的)上层左边的状态有关, 递推的新状态与前面的新状态没有影响, 因此采用从右往左递推
//O(n^2)
int dp[1005];
int f(){
for(int i=1; i<=n; i++){
for(int j=lmt_max; j>=1; j--){
if(j>=b[i].lmt)
dp[j] =
max(dp[j], dp[j-b[i].lmt] + b[i].gl);
else dp[j] = dp[j]; //可省略
}
}
return dp[lmt_max];
}
完全背包:
问题描述:
有 N种物品和一个容量是 V 的背包,每种物品都有无限件可用。
第 i 种物品的体积是 vi,价值是 wi。
求解将哪些物品装入背包,可使这些物品的总体积不超过背包容量,且总价值最大。
输出最大价值。
问题分析:
01背包 在选择是否加入 物品i (可以理解为选择 0个 或者 一个 物品i), 此状态是最优的
完全背包 与 01背包的主要区别就是, 在选择物品i时, 考虑加入k(=0..t)个物体i 时此状态是最优的
容易得出:
状态转移方程: dp[i][j] = max{ dp[i-1][j - k*lmt] }, k = 0..t && j >= t * lmt
//O(n^3)
int f(){
for(int i=1; i<=n; i++){
for(int j=1; j<=lmt_max; j++){
for(int k=0; k*b[i].lmt<=j; k++){
dp[i][j] =
max(dp[i][j], dp[i-1][j-k*b[i].lmt] + k*b[i].gl);
}
}
}
return dp[n][lmt_max];
}
完全背包优化:
然而O(n^3)的复杂度过大, 对于 8e3 的数据是不可行的
dp[i][j] = max{ dp[i-1][j - k*lmt] + k*gl }, k = 0..t
dp[i][j - lmt] = max{ dp[i-1][j - lmt - k*lmt] + k*gl }, k = 0..t-1
= max{ dp[i-1][j - (k+1)*lmt] + k*gl }, k = 0..t-1
dp[i][j - lmt] + gl = max{ dp[i-1][j - (k+1)*lmt] + (k+1)*gl }, k = 0..t-1
= max{ dp[i-1][j - k*lmt] + k*gl }, k = 1..t
那么, dp[i][j] = max{ dp[i-1][j - k*lmt] + k*gl }, k = 0..t
= max{ dp[i-1][j], [max{ dp[i-1][j - k*lmt] + k*gl }, k = 1..t] }
= max{ dp[i-1][j], dp[i][j-lmt] + gl }
可以观察到, 优化后完全背包的状态方程与 01背包的状态方程 仅有一个下标的不同, 而且复杂度降为了O(n^2)
//O(n^2)
int f(){
for(int i=1; i<=n; i++){
for(int j=1; j<=lmt_max; j++){
if(j >= b[i].lmt)
dp[i][j] =
max(dp[i-1][j], dp[i][j-b[i].lmt] + b[i].gl);
else dp[i][j] = dp[i-1][j];
}
}
return dp[n][lmt_max];
}
更新中...