题目
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。
输入格式
第一行两个整数,N,V,用空格隔开,分别表示物品数量和背包容积。
接下来有 N 行,每行两个整数 vi,wi,用空格隔开,分别表示第 i 件物品的体积和价值。
输出格式
输出一个整数,表示最大价值。
数据范围
0<N,V≤1000
0<vi,wi≤1000
输入样例
4 5
1 2
2 4
3 4
4 5
输出样例:
8
解法
一、朴素DP
状态表示
用一个二维的状态 f ( i , j ) f(i, j) f(i,j),表示在前 i i i个物品中选择,在满足总体积不超过 j j j的条件下能够得到的最大价值。
状态划分和计算
对于第 i i i个物品,先判断第 i i i个物品是否装得下:
- j < v i j<v_i j<vi:装不下,则在前 i i i个物品中选择,就相当于在前 i − 1 i-1 i−1个物品中选择,于是有:
f ( i , j ) = f ( i − 1 , j ) , j < v i f(i,j)=f(i-1,j),j<v_i f(i,j)=f(i−1,j),j<vi
-
j ≥ v i j\ge v_i j≥vi:装的下,则要考虑装和不装两个选择,取 m a x max max。选择不装的情况也就是和装不下一样的效果,接下来重点分析一下选择装的情形:
此时我们要知道,第 i i i个物品是一定在这个状态里面的,这是不变的部分( v i v_i vi),而对前面 i − 1 i-1 i−1个物品的选择是可变的,那么我们要怎么样选择前面这 i − 1 i-1 i−1个物品呢?
显然,如果要使得装入物品 i i i后为价值最大,那么对前面这 i − 1 i-1 i−1个物品的选择也是要最优的,去掉不变部分的影响,对前面这 i − 1 i-1 i−1个物品的选择是在 j − v i j-v_i j−vi的体积限制下进行的,能得到最大的价值就是 f ( i − 1 , j − v i ) f(i-1, j-v_i) f(i−1,j−vi),这样一来就能得到:
f ( i , j ) = m a x ( f ( i − 1 , j ) , f ( i − 1 , j − v i ) + w i ) , j ≥ v i f(i,j) = max(f(i-1,j),f(i-1,j-v_i)+w_i),j\ge v_i f(i,j)=max(f(i−1,j),f(i−1,j−vi)+wi),j≥vi
将所有情况综合,就能得到状态转移方程:
f
(
i
,
j
)
=
{
f
(
i
−
1
,
j
)
,
j
<
v
i
m
a
x
(
f
(
i
−
1
,
j
)
,
f
(
i
−
1
,
j
−
v
i
)
+
w
i
)
,
j
≥
v
i
f(i,j)=\begin{cases} f(i-1,j),j<v_i\\ max(f(i-1,j),f(i-1,j-v_i)+w_i),j\ge v_i \end{cases}
f(i,j)={f(i−1,j),j<vimax(f(i−1,j),f(i−1,j−vi)+wi),j≥vi
代码如下
Scanner scanner = new Scanner(System.in);
int[] v = new int[1001];
int[] w = new int[1001];
int[][] f = new int[1001][1001];
int N, V;
N = scanner.nextInt();
V = scanner.nextInt();
for (int i = 1; i <= N; i++) {
v[i] = scanner.nextInt();
w[i] = scanner.nextInt();
}
for (int i = 1; i <= N; i++) {
// 这里体积从0开始是合法的,因为不选任何物品的情况下满足这个体积限制
for (int j = 0; j <= V; j++) {
f[i][j] = f[i - 1][j];
if (j >= v[i]) {
f[i][j] = Math.max(f[i - 1][j], f[i - 1][j - v[i]] + w[i]);
}
}
}
System.out.println(f[N][V]);
二、优化
注意:所有对DP的优化都是对原代码的等价变形,也就是仅在代码逻辑层面上进行优化,而保留了最初的核心思想!
1、降维优化
观察状态转移方程
f
(
i
,
j
)
=
{
f
(
i
−
1
,
j
)
,
j
<
v
i
m
a
x
(
f
(
i
−
1
,
j
)
,
f
(
i
−
1
,
j
−
v
i
)
+
w
i
)
,
j
≥
v
i
f(i,j)=\begin{cases} f(i-1,j),j<v_i\\ max(f(i-1,j),f(i-1,j-v_i)+w_i),j\ge v_i \end{cases}
f(i,j)={f(i−1,j),j<vimax(f(i−1,j),f(i−1,j−vi)+wi),j≥vi
我们可以发现,选到第
i
i
i个物品的时候,解只和选择
i
−
1
i-1
i−1个物品的情况有关,所以我们只需要关注最新的两类状态——前
i
−
1
i-1
i−1个物品的状态和前
i
i
i个物品的状态即可。这样我们就可以将二维的
f
(
i
,
j
)
f(i,j)
f(i,j)压缩成一维的
f
(
j
)
f(j)
f(j),每轮都用旧的
f
f
f来更新新的
f
f
f(滚动数组的思想),从而实现
i
−
1
i-1
i−1到
i
i
i的状态转移。
于是有了如下代码:
int[] f = new int[1001];
// ....
for (int i = 1; i <= N; i++) {
for (int j = 0; j <= V; j++) {
f[j] = f[j];
// f[i][j] = f[i - 1][j];
if (j >= v[i]) {
f[i][j] = Math.max(f[j], f[j - v[i]] + w[i]);
// f[i][j] = Math.max(f[i - 1][j], f[i - 1][j - v[i]] + w[i]);
}
}
}
System.out.println(f[V]);
但是这个代码还有一个问题,在将 f ( i − 1 , j − v i ) f(i-1,j-v_i) f(i−1,j−vi)处理成 f ( j − v i ) f(j-v_i) f(j−vi)后, f ( j − v i ) f(j-v_i) f(j−vi)并不等价于 f ( i − 1 , j − v i ) f(i-1,j-v_i) f(i−1,j−vi),而是等价于 f ( i , j − v i ) f(i,j-v_i) f(i,j−vi)。原因在于更新状态时,我们对 f f f数组进行从左向右的遍历,指针左侧为前 i i i个物品的状态,右侧还未更新的是前 i − 1 i-1 i−1个物品的状态, f ( j − v i ) f(j-v_i) f(j−vi)是在 f ( j ) f(j) f(j)左侧的,所以不属于旧状态。为此,我们需要将遍历顺序调反,以保障等价性:
int[] f = new int[1001];
// ....
for (int i = 1; i <= N; i++) {
// 反向遍历f,另外可以将"是否装的下"的判断直接移到循环判断里去,装不下的话就不继续装了
for (int j = V; j >= v[i]; j--)
f[j] = Math.max(f[j], f[j - v[i]] + w[i]);
}
System.out.println(f[V]);