应用场景-背包问题
背包问题:有一个背包,容量为4磅 , 现有如下物品
1)要求达到的目标为装入的背包的总价值最大,并且重量不超出
2)要求装入的物品不能重复
动态规划算法介绍
1)动态规划(Dynamic Programming)算法的核心思想是:将大问题划分为小问题进行解决,从而一步步获取最优解的处理算法
2)动态规划算法与分治算法类似,其基本思想也是将待求解问题分解成若干个子问题,先求解子问题,然后从这些子问题的解得到原问题的解。
3)与分治法不同的是,适合于用动态规划求解的问题,经分解得到子问题往往不是互相独立的。 ( 即下一个子阶段的求解是建立在上一个子阶段的解的基础上,进行进一步的求解 )
4)动态规划可以通过填表的方式来逐步推进,得到最优解.
思路分析
代码实现
package com.algorithm.dynamic;
public class KnapsackProblem {
public static void main(String[] args) {
int[] w = { 1, 4, 3 }; // 物品的重量
int[] val = { 1500, 3000, 2000 }; // 物品的价值, 这里val[i] 就是前面讲的v[i]
int m = 4; // 背包的容量
int n = val.length; // 物品的个数
// 创建二维数组
// v[i][j] 表示在前i个物品中能够装入容量为j的背包中的最大价值
int[][] v = new int[n + 1][m + 1];
// 为了记录放入商品的情况,我们定义一个二维数组
int[][] path = new int[n + 1][m + 1];
// 初始化第一行和第一列,这里本程序中,可以不去处理,因为默认是0
for (int i = 0; i < v.length; i++) {
v[i][0] = 0; // 将第一列设置为0
}
for(int i = 0; i < v[0].length; i++) {
v[0][i] = 0; // 将第一行设置为0
}
// 根据前面动态规划得到的公式处理
for(int i = 1; i < v.length; i++) { // 不处理第一行,i是从1开始
for(int j = 1; j < v[0].length; j++) { // 不处理第一列,j是从1开始的
// 公式
if(w[i - 1] > j) { // 因为我们的程序i 是从1开始的,因此原来的公式中的 w[i] 修改成w[i - 1]
v[i][j] = v[i - 1][j];
} else {
// 说明:
// 因为我们的i是从1开始的,因此原来公式需要调整
//v[i][j]=Math.max(v[i-1][j], val[i-1]+v[i-1][j-w[i-1]]);
//v[i][j] = Math.max(v[i - 1][j], val[i - 1] + v[i - 1][j - w[i - 1]]);
// 为了记录商品存放到背包的情况,我们不能直接使用上面的公式,需要使用if-else来体现公式
if(v[i - 1][j] < val[i - 1] + v[i - 1][j - w[i - 1]]) {
v[i][j] = val[i - 1] + v[i - 1][j - w[i - 1]];
// 把当前记录到path
path[i][j] = 1;
} else {
v[i][j] = v[i - 1][j];
}
}
}
}
// 输出一下v ,看看目前情况
for(int i = 0; i < v.length; i++) {
for(int j = 0; j < v[i].length; j++) {
System.out.print(v[i][j] + " ");
}
System.out.println();
}
System.out.println();
// 看下path的情况
for(int i = 0; i < v.length; i++) {
for(int j = 0; j < v[i].length; j++) {
System.out.print(path[i][j] + " ");
}
System.out.println();
}
int i = path.length - 1; // 行的最大下标
int j = path[0].length - 1; // 列的最大下标
while(i > 0 && j > 0) { // 从path的最后找
if(path[i][j] == 1) {
System.out.printf("第%d个商品放入背包\n", i);
j -= w[i - 1];
}
i--;
}
}
}