一. 实验内容
分别编程实现动态规划算法和贪心法求 0-1 背包问题的最优解,分析比较两种算法的时间复杂度并验证分析结果。。
二.实验目的
1、掌握动态规划算法和贪心法解决问题的一般步骤;
2、学会使用动态规划和贪心法解决实际问题;
2、理解动态规划算法和贪心法的异同及各自的适用范围。
三. 算法描述
1、动态规划算法描述:
(1)文字描述如下:
贪心法的基本思路是在对问题求解时总是做出在当前看来是最好的选择,也就是说贪心法不从整体最优上加以考虑,所做出的仅是在某种意义上的局部最优解。每一次贪心选择都将所求问题简化为规模更小的子问题,并期望通过每次所做的局部最优选择产生出一个全局最优解。所谓贪心选择性质是指所求问题的整体最优解可以通过一系列局部最优的选择,即贪心选择来达到。也就是说,贪心法仅在当前状态下做出最好选择,即局部最优选择,然后再去求解做出这个选择后产生的相应子问题的解。
(2)算法框架:
伪代码:
SolutionType Greedy(SType a[],int n)//假设解向量(x0,x1,…,xn-1)类型为SolutionType,其分量为SType类型
{
SolutionType x={
}; //初始时,解向量不包含任何分量
for (int i=0;i<n;i++) //执行n步操作
{
SType xi=Select(a); //从输入a中选择一个当前最好的分量
if (Feasiable(xi)) //判断xi是否包含在当前解中
solution=Union(x,xi); //将xi分量合并形成x
}
return x; //返回生成的最优解
}
2、分支限界法
(1)文字描述如下:
动态规划是一种解决多阶段决策问题的优化方法,把多阶段过程转化为一系列单阶段问题,利用各阶段之间的关系,逐个求解。能采用动态规划求解的问题的一般要具有3个性质:
① 最优性原理:如果问题的最优解所包含的子问题的解也是最优的,就称该问题具有最优子结构,即满足最优性原理。
② 无后效性:即某阶段状态一旦确定,就不受这个状态以后决策的影响。也就是说,某状态以后的过程不会影响以前的状态,只与当前状态有关。
③ 有重叠子问题:即子问题之间是不独立的,一个子问题在下一阶段决策中可能被多次使用到。(该性质并不是动态规划适用的必要条件,但是如果没有这条性质,动态规划算法同其他算法相比就不具备优势)。
算法的基本思想:
① 分析最优解的性质,并刻画其结构特征。
② 递归的定义最优解。
③ 以自底向上或自顶向下的记忆化方式计算出最优值。
④ 根据计算最优值时得到的信息,构造问题的最优解。
实际上就是:
① 定义合适的动态规划数组;
② 找到合适的状态转移方程;
③ 从动态规划数组中找合适的解。
0/1背包问题:
<1> 问题表示及求解结果,额外定义动态规划数组;
<2> 对应的状态转移方程
dp[i][0]=0(背包不能装入任何物品,总价值为0)边界条件dp[i][0]=0(1≤i≤n)―边界条件
dp[0][r]=0(没有任何物品可装入,总价值为0)边界条件dp[0][r]=0(1≤r≤W)―边界条件
dp[i][r]=dp[i-1][r] 当r<w[i]时,物品i放不下
dp[i][r]=MAX{dp[i-1][r],dp[i-1][r-w[i]]+v[i]} 否则在不放入和放入物品i之间选最优解
这样,dp[n][W]便是0/1背包问题的最优解。
<3> 从动态规划数组中找合适的解
(2)算法框架如下:
根据状态转移方程来构造动态
1>两个边界条件
2>由于动态规划数组为二维数组,则两层for循环里判断是否扩展活动节点
扩展则dp[i][r]=dp[i-1][r];
不扩展则二者求最大;
void dp_Knap();
动态规划数组已经填充完毕,逆着推出最优解
根据状态转移方程中的条件,判断每个物品是否选择
void buildx();
四. 算法实现
1.数据结构及函数说明
(1)问题表示
int n=3,W=30;
vector w;//={0,16,15,15}; //重量,下标0不用
vector v;//={0,45,25,25}; //价值,下标0不用
//求解结果表示
int maxv=-9999; //存放最大价值,初始为最小值
int bestx[MAXN]; //存放最优解,全局变量
int total=1; //解空间中结点数累计,全局变量
(2)贪心算法数据结构
贪心法----非0/1背包问题,而是部分背包问题,使用n,W,w[],v[ ](由于贪心算法无法求得0-1背包的最优解,这里采用的是部分背包问题)
struct NodeType_Knap
{
double w;
double v;
double p; //p=v/w
bool operator<(const NodeType_Knap &s) const
{
return p>s.p; //按p递减排序
}
};
vector<NodeType_Knap> A; // 含有输入的数据和排序后的数据
double V = 0; // 价值,之前是int型,在这里为double
double x[MAXN]; // 最优解double类型,可以选择部分,即一定的比例
void knap_m(