问题1:0-1背包问题。
给定
n
n
n 个重量为 {
w
1
w_{1}
w1,
w
2
w_{2}
w2,…,
w
n
w_{n}
wn },价值 {
v
1
v_{1}
v1,
v
2
v_{2}
v2,…,
v
n
v_{n}
vn }的物品,给定最大载重
T
T
T 的背包,每件物品最多装一件,要求背包中的物品价值最大。
0-1表示每件物品最多使用一次。
思路:
我们使用
f
(
i
,
j
)
f(i, j)
f(i,j) 表示背包的载量为
j
j
j 时,对于第
i
i
i 个物品,包内的价值。
基于递归的思想,对于
f
(
i
,
j
)
f(i, j)
f(i,j) 我们有2种途径得到,但是要取最大值:
- 假设不装第 i i i 件物品,则此时的包内价值 f ( i − 1 , j ) f(i-1, j) f(i−1,j)。
- 假设装第
i
i
i 件物品,则此时的包内价值
v
i
+
f
(
i
−
1
,
j
−
w
i
)
v_{i}+f(i-1, j-w_{i})
vi+f(i−1,j−wi)。
因此我们得到状态转移方程:
f ( i , j ) = m a x { f ( i − 1 , j ) , v i + f ( i − 1 , j − w i ) } f(i, j)=max \{ f(i-1, j),v_{i}+f(i-1, j-w_{i})\} f(i,j)=max{f(i−1,j),vi+f(i−1,j−wi)}
代码:
#include<iostream>
#include<vector>
#include<algorithm>
using namespace std;
//原始的思路
int Bag01(vector<int> &w, vector<int> &v, int T ) //weight, value, capacity
{
int n = w.size();
if (n == 0)
return 0;
//二维数组
vector<vector<int>> dp(n, vector<int> (T + 1, 0));
//初始化第一行
for (int j = 0; j <= T; j++)
{
dp[0][j] = w[0] <= j ? v[0] : 0;
}
for (int i = 1; i < n; i++)
{
for (int j = 0; j <= T; j++)
{
dp[i][j] = dp[i - 1][j];
if (w[i] <= j)
{
dp[i][j] = max(dp[i - 1][j], v[i] + dp[i - 1][j - w[i]]);
}
}
}
return dp[n-1][T];
}
//0-1背包,优化,采用1维数组
int Bag01_1(vector<int> &w, vector<int> &v, int T) //weight, value, capacity
{
int n = w.size();
if (n == 0) return 0;
//一维数组
vector<int> dp(T + 1, 0);
for (int i = 0; i < n; i++)
{
for (int j = T; j >= w[i]; j--)
{
dp[j] = max(dp[j], dp[j - w[i]] + v[i] );
}
}
return dp[T];
}
int main()
{
vector<int> w({ 2,7,5,6,9 });
vector<int> v({ 4,7,6,8,10 });
int T = 18;
int value = Bag01(w, v, T);
return 0;
}
结果:
问题2:完全背包问题。
给定 n n n 个重量为 { w 1 w_{1} w1, w 2 w_{2} w2,…, w n w_{n} wn },价值 { v 1 v_{1} v1, v 2 v_{2} v2,…, v n v_{n} vn }的物品,给定最大载重 T T T 的背包,每件物品可以装任意件,要求背包中的物品价值最大。
思路:
与0-1背包问题不同的是,此处每个物品可以装任意个了,即我们需要多设一层循环,在载量为
j
j
j 时,对于物品
i
i
i ,我可以有
k
k
k 种选择,
k
k
k 满足
0
<
=
k
∗
w
[
i
]
<
=
j
0<=k*w[i]<= j
0<=k∗w[i]<=j 。
此时的状态转移方程:
f
(
i
,
j
)
=
m
a
x
{
f
(
i
−
1
,
j
)
,
k
∗
v
i
+
f
(
i
−
1
,
j
−
k
∗
w
i
)
}
f(i, j)=max \{ f(i-1, j),k*v_{i}+f(i-1, j-k*w_{i})\}
f(i,j)=max{f(i−1,j),k∗vi+f(i−1,j−k∗wi)} , 其中
0
<
=
k
∗
w
[
i
]
<
=
j
0<=k*w[i]<= j
0<=k∗w[i]<=j
代码:
#include<iostream>
#include<vector>
#include<algorithm>
using namespace std;
//原始的思路
int BagComplete(vector<int> &w, vector<int> &v, int T) //weight, value, capacity
{
int n = w.size();
if (n == 0)
return 0;
//二维数组
vector<vector<int>> dp(n, vector<int>(T + 1, 0));
//初始化第一行
for (int j = 0; j <= T; j++)
{
for (int k = 1; k*w[0] <= j; k++)
{
dp[0][j] = k*v[0];
}
}
for (int i = 1; i < n; i++)
{
for (int j = 0; j <= T; j++)
{
dp[i][j] = dp[i - 1][j];
for(int k=1;k*w[i] <=j;k++) //加一层循环
{
dp[i][j] = max(dp[i - 1][j], k*v[i] + dp[i - 1][j - k*w[i]]);
}
}
}
return dp[n - 1][T];
}
//优化完全背包
int BagComplete_1(vector<int> &w, vector<int> &v, int T)
{
int n = w.size();
if (n == 0) return 0;
vector<int> dp(T + 1, 0);
for (int i = 0; i < n; i++)
{
for (int j = w[i]; j <= T; j++)
{
dp[j] = max(dp[j], dp[j - w[i]] + v[i]);
}
}
return dp[T];
}
int main()
{
vector<int> w({ 2,7,5,6,9 });
vector<int> v({ 4,7,6,8,10 });
int T = 18;
int value = BagComplete(w, v, T);
int value_1 = BagComplete_1(w, v, T);
return 0;
}
结果:
总结:
首先想想为什么 01 背包中要按照
j
j
j 递减的次序来循环?
首先强调一个认知,若对第 i i i 次循环中的状态 f ( i , j ) f(i, j) f(i,j), 若其经过状态转移公式计算,则 f ( i , j ) f(i, j) f(i,j)表示第 i i i 次状态;若未经过计算,则表示 第 i − 1 i-1 i−1 次的状态。
让 j j j 递减是为了保证第 i i i 次循环中的状态 f ( i , j ) f(i, j) f(i,j) 是由状态 f ( i − 1 , j − w [ i ] ) f( i-1, j - w[i]) f(i−1,j−w[i]) 递推而来。换句话说,这正是为了保证每件物品只选一次,保证在考虑“选入第 i i i 件物品”这件策略时,依据的是一个绝无已经选入第 i i i 件物品的子结果 f ( i − 1 , j − w [ i ] ) f( i-1, j - w[i]) f(i−1,j−w[i]) 。
完全背包的特点恰是每种物品可选无限件,所以在考虑“加选一件第 i i i 种物品”这种策略时,却正需要一个可能已选入第 i i i 种物品的子结果 f ( i , j − w [ i ] ) f( i , j - w[i]) f(i,j−w[i]) ,所以就可以并且必须采用 j j j 递增的顺序循环。这就是这个简单的程序为何成立的道理。
参考链接:
[1] 跑码场:彻底理解0-1背包问题
[2] 弗兰克的猫:【动态规划】完全背包问题