01背包
有n件物品和一个最多能背重量为w 的背包。第i件物品的重量是weight[i],得到的价值是value[i] 。每件物品只能用一次,求解将哪些物品装入背包里物品价值总和最大。
这是标准的背包问题,以至于很多同学看了这个自然就会想到背包,甚至都不知道暴力的解法应该怎么解了。
这样其实是没有从底向上去思考,而是习惯性想到了背包,那么暴力的解法应该是怎么样的呢?
每一件物品其实只有两个状态,取或者不取,所以可以使用回溯法搜索出所有的情况,那么时间复杂度就是$o(2^n)$,这里的n表示物品数量。
所以暴力的解法是指数级别的时间复杂度。进而才需要动态规划的解法来进行优化!
在下面的讲解中,我举一个例子:背包最大重量为4。
物品为:
问背包能背的物品最大价值是多少?
以下讲解和图示中出现的数字都是以这个例子为例。
二维dp数组01背包
依然动规五部曲模板分析一波。
- 确定dp数组以及下标的含义
对于背包问题,有一种写法, 是使用二维数组,即dp[i][j] 表示从下标为[0-i]的物品里任意取,放进容量为j的背包,价值总和最大是多少。
只看这个二维数组的定义,大家一定会有点懵,看下面这个图:
要时刻记着这个dp数组的含义,下面的一些步骤都围绕这dp数组的含义进行的,如果哪里看懵了,就来回顾一下i代表什么,j又代表什么。
2.确定递推公式
再回顾一下dp[i][j]的含义:从下标为[0-i]的物品里任意取,放进容量为j的背包,价值总和最大是多少。那么可以有两个方向推出来dp[i][j],
- 不放物品i:由dp[i - 1][j]推出,即背包容量为j,里面不放物品i的最大价值,此时dp[i][j]就是dp[i - 1][j]。(其实就是当物品i的重量大于背包j的重量时,物品i无法放进背包中,所以背包内的价值依然和前面相同。)
- 放物品i:由dp[i - 1][j - weight[i]]推出,dp[i - 1][j - weight[i]] 为背包容量为j - weight[i]的时候不放物品i的最大价值,那么dp[i - 1][j - weight[i]] + value[i] (物品i的价值),就是背包放物品i得到的最大价值
所以递归公式: dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]);
3.dp数组如何初始化
关于初始化,一定要和dp数组的定义吻合,否则到递推公式的时候就会越来越乱。
---首先从dp[i][j]的定义出发,如果背包容量j为0的话,即dp[i][0],无论是选取哪些物品,背包价值总和一定为0。如图:
---在看其他情况。状态转移方程 dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]); 可以看出i 是由 i-1 推导出来,那么i为0的时候就一定要初始化。
dp[0][j],即:i为0,存放编号0的物品的时候,各个容量的背包所能存放的最大价值。
那么很明显当 j < weight[0]的时候,dp[0][j] 应该是 0,因为背包容量比编号0的物品重量还小。
当j >= weight[0]时,dp[0][j] 应该是value[0],因为背包容量放足够放编号0物品。
dp[0][j] 和 dp[i][0] 都已经初始化了,那么其他下标应该初始化多少呢?
其实从递归公式: dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]); 可以看出dp[i][j] 是由左上方数值推导出来了,那么 其他下标初始为什么数值都可以,因为都会被覆盖。
初始-1,初始-2,初始100,都可以!
但只不过一开始就统一把dp数组统一初始为0,更方便一些。
4.确定遍历顺序
在如下图中,可以看出,有两个遍历的维度:物品与背包重量
那么问题来了,先遍历 物品还是先遍历背包重量呢?
其实都可以!! 但是先遍历物品更好理解。
//C++代码
// weight数组的大小 就是物品个数
for(int i = 1; i < weight.size(); i++) { // 遍历物品
for(int j = 0; j <= bagweight; j++) { // 遍历背包容量
if (j < weight[i]) dp[i][j] = dp[i - 1][j];
else dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]);
}
}
为什么也是可以的呢?
要理解递归的本质和递推的方向。
dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]); 递归公式中可以看出dp[i][j]是靠dp[i-1][j]和dp[i - 1][j - weight[i]]推导出来的。
dp[i-1][j]和dp[i - 1][j - weight[i]] 都在dp[i][j]的左上角方向(包括正上方向),那么先遍历物品,再遍历背包的过程如图所示:
再来看看先遍历背包,再遍历物品呢,如图:
大家可以看出,虽然两个for循环遍历的次序不同,但是dp[i][j]所需要的数据就是左上角,根本不影响dp[i][j]公式的推导!
但先遍历物品再遍历背包这个顺序更好理解。
其实背包问题里,两个for循环的先后循序是非常有讲究的,理解遍历顺序其实比理解推导公式难多了。
5.举例推导dp数组
来看一下对应的dp数组的数值,如图:
最终结果就是dp[2][4]。
建议大家此时自己在纸上推导一遍,看看dp数组里每一个数值是不是这样的。
做动态规划的题目,最好的过程就是自己在纸上举一个例子把对应的dp数组的数值推导一下,然后在动手写代码!
主要就是自己没有动手推导一下dp数组的演变过程,如果推导明白了,代码写出来就算有问题,只要把dp数组打印出来,对比一下和自己推导的有什么差异,很快就可以发现问题了。
总结:
讲了这么多才刚刚把二维dp的01背包讲完,这里大家其实可以发现最简单的是推导公式了,推导公式估计看一遍就记下来了,但难就难在如何初始化和遍历顺序上。
可能有的同学并没有注意到初始化 和 遍历顺序的重要性,我们后面做力扣上背包面试题目的时候,大家就会感受出来了。
讲解说明:
讨论到a【i】【j】时的两种情况怎么操作?为什么这么操作?
假设已经讨论到了a【i】【j】,即j容量下到前i个物品的讨论,有两种情况
1.选择不装第i个物品,则退回到i-1行,直接选择a【i-1】【j】作为该情况下最大价值
2.装第i个物品,则将背包j-物品i的体积 = f,直接看表中a【i-1】【f】+i物品的价值作为该情况下最大价值
比较两者选最大即a【i】【j】为真正的最大价值
这样做的原因主要就在于,表a【i】【j】以前的所有数据都已经代表了价值最大的最佳情况。①不装i
不装i即需要到前i-1个里面选,也就是前i-1行j背包容量下的最大价值,同理,由于前面都已经是最优解,直接查表a【i-1】【j】就是不装i条件下的最大价值
②装i
0-1背包问题下每个物品只能放一件,所以用j-i物品的体积=f,查表a【i】【f】直接得到,装i时前f空间的最大价值。所以装i的最大价值就等于a【i】【f】+i的价值
因此比较两者价值大小选大者即可再次得到a【i】【j】情况下的最优解。
一定要搞清楚dp的含义:
dp[i][j] 表示从前面【i-1】个物品里任意取,放到容量为j的背包里的最大值,这里的任意取其实是可以取1个 取2个 或者i-1个全取。
总之就是 每一个dp[i][j] 都是背包容量为j状态下的最优解。
递推公式怎么理解?
其实动态规划思想都是逐步推结果,每一步都是最优解。
当前物品可以选则拿或者不拿:
不拿:背包容量和背包里物品总价值都没有变化,和上一个状态下的总价值相同。
拿:背包容量减少,背包里的物品总价值=上一个状态下的总价值+当前物品的价值
public class BagProblem {
public static void main(String[] args) {
int[] weight = {1,3,4};
int[] value = {15,20,30};
int bagSize = 4;
testWeightBagProblem(weight,value,bagSize);
}
/**
* 动态规划获得结果
* @param weight 物品的重量
* @param value 物品的价值
* @param bagSize 背包的容量
*/
public static void testWeightBagProblem(int[] weight, int[] value, int bagSize){
// 创建dp数组
int goods = weight.length; // 获取物品的数量
int[][] dp = new int[goods][bagSize + 1];
// 初始化dp数组
// 创建数组后,其中默认的值就是0
//dp[0][j],即:i为0,存放编号0的物品的时候,各个容量的背包所能存放的最大价值。
for (int j = weight[0]; j <= bagSize; j++) {
dp[0][j] = value[0];
}
// 填充dp数组
// 方式一(好理解):先遍历物品,然后遍历背包重量的代码
for (int i = 1; i < weight.length; i++) {
for (int j = 1; j <= bagSize; j++) {
if (j < weight[i]) {
/**
* 当前背包的容量都没有当前物品i大的时候,是不放物品i的
* 那么前i-1个物品能放下的最大价值就是当前情况的最大价值
*/
dp[i][j] = dp[i-1][j];
} else {
/**
* 当前背包的容量可以放下物品i
* 那么此时分两种情况:
* 1、不放物品i
* 2、放物品i
* 比较这两种情况下,哪种背包中物品的最大价值最大
*/
dp[i][j] = Math.max(dp[i-1][j] , dp[i-1][j-weight[i]] + value[i]);
}
}
}
// 打印dp数组
for (int i = 0; i < goods; i++) {
for (int j = 0; j <= bagSize; j++) {
System.out.print(dp[i][j] + "\t");
}
System.out.println("\n");
}
}
}
//打印dp数组方法二 for(int[] arr : dp){ System.out.println(Arrays.toString(arr)); } } }
打印结果:
具体算法题 参见卡码网46. 携带研究材料(第六期模拟笔试)
import java.util.*;
public class Main {
public static void main(String[] args) {
// 创建扫描器对象,用于读取用户输入
Scanner sc = new Scanner(System.in);
// 读取物品种类 M 和背包容量 N
int M = sc.nextInt();
int N = sc.nextInt();
// 初始化数组用于存储物品的价值和重量
int[] values = new int[M];
int[] weights = new int[M];
// 读取每个物品的重量
for(int i = 0; i < M; i++) {
weights[i] = sc.nextInt();
}
// 读取每个物品的价值
for(int i = 0; i < M; i++) {
values[i] = sc.nextInt();
}
// 初始化二维数组 dp,dp[i][j] 表示前 i 个物品中,在背包容量为 j 时的最大价值
int[][] dp = new int[M][N+1];
// 初始化第一个物品的情况
// 如果背包容量大于等于第一个物品的重量,最大价值就是第一个物品的价值
for(int i = weights[0]; i <= N; i++) {
dp[0][i] = values[0];
}
// 处理后续的物品
for(int i = 1; i < M; i++) {
// 遍历所有可能的背包容量
for(int j = 0; j <= N; j++) {
// 如果当前物品的重量大于背包容量 j,不能将当前物品放入背包
if(weights[i] > j) {
dp[i][j] = dp[i-1][j];
} else {
// 当前物品可以放入背包
// 选择不放当前物品或者放当前物品,取最大值
dp[i][j] = Math.max(dp[i-1][j], dp[i-1][j-weights[i]] + values[i]);
}
}
}
// 输出结果,即最大价值
System.out.println(dp[M-1][N]);
}
}
代码思路总结:(ACM模式)
1.读取输入:
- 使用 Scanner 对象读取用户输入的物品种类 M 和背包容量 N。
- 初始化两个数组 values 和 weights 用于存储每个物品的价值和重量。
2.读取物品数据:
- 使用两个 for 循环分别读取每个物品的重量和价值。
3.初始化 DP 数组:
- 定义一个二维数组 dp,其中 dp[i][j] 表示前 i 个物品在背包容量为 j 时的最大价值。
- 初始化第一个物品的情况:如果背包容量大于等于第一个物品的重量,则最大价值就是第一个物品的价值。
4.动态规划过程:
- 使用两个嵌套循环遍历所有物品和所有可能的背包容量。
- 对于每个物品,如果当前物品的重量大于当前背包容量,则不能将当前物品放入背包,直接继承上一个状态的值。
- 如果当前物品可以放入背包,则选择放入或不放入当前物品,取两者中的最大值。
5.输出结果:
- 输出 dp[M-1][N],即前 M 个物品在背包容量为 N 时的最大价值。