线性DP之背包问题
目录
1,0/1背包问题
2,完全背包问题
3,多重背包问题
4,混合三种背包问题
5,二维费用背包问题
6,分组背包问题
7,有依赖的背包问题
8,求背包问题的方案总数。
9,背包问题的究极分类!!!!!(特别重要也很特别)
1, 01背包问题
集合:f[i,j]
考虑前i
种物品占用容量为j
的背包的最大价值
策略:对于任意容量下的背包,考虑当前的i
物品只有放入或者不放入两种选择
原始状态转移:f[i][k]=max(f[i-1][k],f[i-1][k-space[i]]+w[i]);
抽出一次循环中的转移过程:(如图,只涉及i-1
和i
维)
一维的背包其实就是两条线段的重合,由于循环顺序的特殊性,从最大的背包容量m迭代时,m-w[i](可以假装它还是 i-1的时候的情况,因为这层循环压根没调用它)
以及由于线段重合造成循环的顺序只能从大到小,点的覆盖是其中关键所在
最终的代码:
int w[MAXN],f[MAXN],v[MAXN];
for(int i=1;i<=n;i++) / /迭代枚举i个物品
for(int k=m;k>=w[i];k--)/ / 迭代枚举背包容量
f[i]=max(f[k],f[k-w[i]]+v[i]);
2,完全背包问题
题面:同样的n件物品,对于每件想取多少就可以取多少
集合:f[i,j]
考虑前i
种物品占用容量为j
的背包的最大价值
策略:对于任意容量下的背包,考虑当前的i
物可以放几个
原始状态转移:f[i,j]=max(f[i-1,j], f[i-1][j-space[i]+w[i] , f[i-1][j-space[i]*2] + 2*w[i] ,...... f[i-1][j-space[i]*k] +k *w[i])
优化藏在数学规律里:
f[i,j]=max(f[i-1,j], f[i-1][j-space[i]+w[i] , f[i-1][j-space[i]*2] + 2*w[i] , f[i-1][j-space[i]*3] +3 *w[i])
先写到3好了,足够说明问题
f[i,j-space[i]]=max(f[i-1,j-space[i]], f[i-1][j-space[i]*2]+w[i] , f[i-1][j-space[i]*3] + 2*w[i])
你很惊喜的发现
f[i][j] 需要的:
f[i-1][j-space[i]+w[i] , f[i-1][j-space[i]*2] + 2*w[i] , f[i-1][j-space[i]*3] +3 *w[i] 的 max 不就是
f[i-1][j-space[i]] (故意的分开!) +w[i] 吗?
优化的策略依稀有个影子了吧:就是把第三层循环涉及的对个数的枚举无限分割变小,直到只涉及两个,以后再用到就是无数个两个max判断的叠加了;
图片是在桌子上(jx记得把它绘出来啊!!)
最终的代码:
int space[MAXN];
int f[MAXN];
int v[MAXN];
for(int i=1;i<=m;i++)
for(int k=w[i];k<=m;k++)
f[i]=max(f[k],f[k-space[i]]+v[i]);
3,多重背包问题
题面:同样的n件物品,对于每件只能取固定的s件
集合:f[i,j]
考虑前i
种物品占用容量为j
的背包的最大价值
策略:
1,暴力转01,换个角度思考,其实一共就有n*s件物品可以备选,每件的价值和体积全部已知,01求解就好啦
2,二进制转01,倍增考虑,针对所有的整数,都是可以由2的n次方的无数个数组合出来的,但是这样可以大幅的缩减空间;
举个栗子 :对于可能1000个数目备选的物品,转化为倍增处理的单个背包,只剩10个了
二进制拆包操作:
for(int i=1;i<=n;i++) 迭代n次表示有n个物品
{
cin>>v>>w>>s; 输入物品的相关数据
for(int j=1;j<=s;j*=2) 倍增的产生用于合包的物品大小
{
s-=j; 原包的大小一直浮动
vec.push_back({v*j,w*j}); 产生新的物品
}
if(s>0)vec.push_back({v*s,w*s}); 处理倍增的小尾巴
}
其余的就和01背包一样啦!
典例 AcWing5. 多重背包问题 II
AC 打卡代码
3,单调队列究极优化
4,混合的三种基础背包问题
策略:
1,由三种背包都可以滚动数组优化知,当前维度的物品是与前一个状态下的物品种类完全无关(无后效性得证!)
2,01背包是特殊的完全背包(在完全背包的大前提下可以顺便解决01)
典例AcWing 7. 混合背包问题
AC 打卡代码
5,二维费用背包问题
题面:有 N 件物品和一个容量是 V 的背包,背包能承受的最大重量是 M。每件物品只能用一次。体积是 vi,重量是 mi,价值是 wi。
思考:对于除多出的那一维的单维01,我们就是枚举物品并逆向迭代限制条件,现在的两维可以交换且互不影响,求解第i个物品的体积限制时,顺带也可解决重量限制
结论:只需加入新的一层逆向迭代求解新定义的限制即可
for(int i=1;i<=n;i++)
{
cin>>v>>h>>w;
for(int j=mv;j>=v;j--) 体积限制迭代 (mv为体积最大值)
for(int k=mh;k>=h;k--) 重量限制迭代 (mh为重量最大值)
f[j][k]=max(f[j][k],f[j-v][k-h]+w); 正常转移即可
}
6,分组背包问题
题面:有n组物品,每组物品有若干个,同一组内的物品最多只能选一个。
策略:把01背包分组之后,只需在正常迭代的内部,加一次迭代,判断该组内能占用j
空间的物品(这个前提很重要)中谁比较最优即可
for(int i=1;i<=n;i++)
for(int j=m;j>=0;j--)
for(int k=1;k<=num[i];k++) 分组背包特性性的迭代,判断该组物品选谁最优
if(j>=v[i][k])f[j]=max(f[j],f[j-v[i][k]]+w[i][k]);
7,有依赖的背包问题
题面:
策略:
8,求背包问题的方案总计数以及打印
9,背包问题的究极分类!!!!!
就结果而言,分为:方案数,最小值和最大值问题
就转移过程而言,分为:至少型,恰好型,至多型
考虑结果,受到初始化的作用:
- 1,方案数的
f[0]=1
表示啥也不选也是一种方案 - 2,最大值的目的是在第一轮循环的时候借助max,巧妙的不用原数组的数据,那么考虑使用
负无穷或0
- 3,最小值的目的和最大值一致,就是借助min性质,巧妙调开并覆盖元数组数据考虑使用
正无穷
考虑转移,受到初始化和转移过程的作用:
恰好型
- 恰好的时候,
f[0]=0
其余的无穷化,因为一个不选且占用空间恰好为0是合法的,其余的都是不合法解,不能用于转移 - 恰好类型的转移,负数空间不能转移,转移的下界就是0,这是实际意义决定的
至少型
- 至少类型的转移,
f[0]=0
其余的无穷化,因为一个不选且占用空间至少为0是合法的,其余的都是不合法解,不能用于转移 - 至少类型的转移,负数空间可以转移,转移无下界,这是(至少)的实际意义决定的,
由负数转移,说明选取这个物品会使某个数据大于需求值
,这是符合至少的需要的
至多型
- 至多的时候,初始化所有的值为0,空间为0且选取0件物品的价值为0是合法的
- 其余的就视min还是max决定不合法情况的初始化是无穷大还是无穷小
完结撒花!!! O R Z o r z O T Z W A Q A Q q w q 400 A C p j \sqrt[^{^{400ACpj}}]{\frac{^{{ORZ}_{orz}^{OTZ}}}{_{{WA}_{QAQ}^{qwq}}}} 400ACpjWAQAQqwqORZorzOTZ