https://www.cnblogs.com/Kalix/p/7622102.html
先看问题:在n种物品中选取若干件(同一种物品可多次选取)放在空间为v的背包里,每种物品的体积为c1,c2,…,cn,与之相对应的价值为v1,v2,…,vn.求解怎么装物品可使背包里物品总价值最大
看完这个问题,你也许会觉得这个不就是01背包的升级版吗,其实就是这样,完全背包问题与01背包问题的区别在于完全背包每一件物品的数量都有无限个,而01背包每件物品数量只有1个
所以说与它相关的策略已经不是只有取和不取这两种策略了,而是有取0件、取1件、取2件……等等很多种策略
如果我们用和01背包一样的状态,f[i][w]表示前i种物品恰放入一个容量为w的背包的最大价值,那我们应该用k表示当前容量下可以装第i种物品的件数,那么k的范围应该是0≤k≤w/c[i],
既然要用当前物品i把当前容量装满,那需要0≤k≤w/c[i]件,其中k表示件数。
下面给出状态转移方程:
f[i][j] = max{f[i][j],f[i-1][j - k * c[i]] + k * v[i]}(0<=k*c[i]<=w)
贴一段代码:
1 2 3 4 5 6 7 8 9 10 |
|
我们可以对其进行优化:如果有两件物品a、b满足c[a]<=c[b]且v[a]>=v[b],则将物品b去掉,不用考虑。因为你可以用 占用体积小的物品 得到 比 占用体积大的物品还要多的价值,何乐而不为呢。其实对于完全背包,可以再优化,首先将容量大于w的物品去掉,然后排序计算出容量相同的物品中价值最高的是哪个,我们只要价值大的就可以了。
画一个w=6,c[1]=1 , v[1]=3 ; c[2]=3 , v[2]=10的表格
i\j | j=0 | j=1 | j=2 | j=3 | j=4 | j=5 | j=6 | ||
i=0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ||
i=1 | 0 | 3 | 6 | 9 | 12 | 15 | 18 | ||
i=2 | 0 | 3 | 6 | 10 | 13 | 16 | 20 |
以上算法可以理解成:dp每一种物品在不同剩余容量下的最优解,他是以每1种做单位的,每一种物品可以包含若干个该物品。考虑是否在该种物品中添加一件新的该物品
我们再进行优化,改变一下dp思路
我们可以把把完全背包问题转化为01背包问题来解,第i种物品最多选V/c[i]件,于是可以把第i种物品转化为v/c[i]件费用及价值均不变的物品,然后求解这个01背包问题。
即:将一种物品拆成多件物品。
我们现在dp每一个物品,dp出该种物品在不同剩余容量下的最优解,他是以每1个为单位的。考虑是否在当前所有物品总数中添加一件新的该物品
我们用i代表前i种物品,w代表包的最大承重,c[i]是第i种物品消耗的空间、v[i]是第i种物品的价值、f[i,j]是最大价值(从前i种物品取若干件放入有j个剩余空间的包)。
如果不放那么f[i][j]=f[i-1][j]
如果确定放,那么f[i][j]=f[i][j-c[i]+v[i]],为什么会是f[i][j-c[i]]+v[i]?
因为我们要考虑的是在当前基础上添加一件物品i。
就是说如果你放第i种物品,并不牵扯到第i-1种物品,所以不管你放多少件,都要在第i种商品的基础上操作
所以说递推式为:
f[i][j]=max(f[i-1][j],f[i][j-c[i]]+v[i])
该代码:
1 2 3 4 5 6 7 8 |
|
我们可以继续优化此算法,可以用一维数组写
我们先回顾01背包为什么写1维要逆序?
因为为了避免要使用的子状态收到影响。
那我们该如何写完全背包的1维优化呢?
答案是:顺序
因为第i种物品一旦出现,原来没有第i种物品的情况下可能有一个最优解,现在第i种物品 出现了,而它的加入有可能得到更优解,所以之前的状态需要进行改变,故需要正序。
所以说递推式是这样子的:
f[j] = max(f[j],f[j-c[i]]+v[i])
贴出代码:
1 2 3 4 5 |
|