多重背包问题的三种解法(转化为01背包、二进制拆分、单调队列优化)

转化为01背包

题目链接:acwing4. 多重背包问题 I
题目描述
在这里插入图片描述
数据范围
在这里插入图片描述
思路:
可以转化为01背包问题求解,将s个物品都看作单独的一个物品,时间复杂度为 O ( N ∗ V ∗ S ) O(N*V*S) O(NVS)
代码如下:

#include<cstdio>
#include<algorithm>
#include<iostream>
#include<cstring>
#include<vector>
using namespace std;
typedef pair<int ,int> pii;
const int N=110;

int f[N];

int main(){
    int n,m;
    vector<pii> vv;
    cin>>n>>m;
    for(int i=0;i<n;i++){
        int v,w,s;
        scanf("%d%d%d",&v,&w,&s);
        for(int j=0;j<s;j++) vv.push_back({v,w});
            
    }
    for(int i=0;i<vv.size();i++)
        for(int j=m;j>=vv[i].first;j--)
            f[j]=max(f[j],f[j-vv[i].first]+vv[i].second);
    cout<<f[m];
    return 0;
}

二进制拆分优化

题目链接:acwing5. 多重背包问题 II
数据范围变大:
在这里插入图片描述
这时直接拆分为s份,转化为01背包问题求解会超时,考虑二进制拆分,二进制拆分参考博客
主要思路还是将其转化为01背包问题来求解,但是我们不必要将s个物品给看成s个单独的物品,举个例子,二进制拆分是这样的:

10=1+2+4+3=2^0 + 2^1 + 2^2 + (10-2^0 + 2^1 + 2^2)
1~10中的每一个数都可以由1、2、4、3这四个数来表示出来,这样我们就不需要将s个物品拆分为s个单独的物品了。

时间复杂度为 O ( N ∗ V ∗ l o g ( s ) ) O(N*V*log(s)) O(NVlog(s))
代码如下:

#include<cstdio>
#include<iostream>
#include<algorithm>
#include<cstring>
#include<vector>
using namespace std;
typedef long long ll;
typedef pair<ll,ll> pii;
const int N=2e3+10;

ll f[N];

int main(){
    int n,m;
    vector<pii> vv;
    cin>>n>>m;
    for(int i=0;i<n;i++){
        int v,w,s;
        scanf("%d%d%d",&v,&w,&s);
        for(int t=1;t<=s;t*=2){
            vv.push_back({(ll)t*v,(ll)t*w});
            s-=t;
        }
        if(s) vv.push_back({(ll)s*v,(ll)s*w});
    }
    
    for(int i=0;i<vv.size();i++)
        for(int j=m;j>=vv[i].first;j--) f[j]=max(f[j],f[j-vv[i].first]+vv[i].second);
    cout<<f[m];
    return 0;
}

单调队列优化

数据范围继续变大
在这里插入图片描述
这里考虑用单调队列优化,首先分析01背包与完全背包,进而推导出多重背包的单调队列优化。

01背包:
用f[i][j]来表示考虑前i个物品,当前背包容量为j时的能装的最大价值
选或者不选物品i
f[i][j]=max(f[i-1][j],f[i-1][j-v]+w)
由于f[i]这一层只与上一层f[i-1]有关,所以我们考虑优化空间为一维
f[j]=max(f[j],f[j-v]+w)//等号左边的f[j]表示的是f[i][j],等式右边的f[j]表示的是f[i-1][j]
需要注意的地方是,如果我们从小到大遍历j的话,那么等式右边的f[j-v]表示的是f[i][j-v]
所以,我们需要从大到小枚举体积j

也就是:
for(int j=m;j>=v;j--) //v ,m为第i个物品的体积和价值
	f[j]=max(f[j],f[j-v]+w)
完全背包问题:
考虑选多少个物品i最好:(s为最多装多少个物品i,这点与多重背包不同,需要注意)
f[i][j]  =max(f[i-1][j],f[i-1][j-v]+w,f[i-1][j-2*v]+2*w,....,,f[i-1][j-s*v]+s*w)
可以发现:
f[i][j-v]=max(f[i-1][j-v]+w,f[i-1][j-2*v]+2*w,....,,f[i-1][j-s*v]+s*w)
观察上面可以得出:
f[i][j]=max(f[i-1][j],f[i][j-v]);
考虑对空间优化:
f[j]=max(f[j],f[j-v]);
这里遍历体积是从小到大遍历的,因为我们要的就是让等式左边的f[j-v]表示的是f[i][j-v]而不是f[i-1][j-v]

也就是:
for(int j=v;j<=m;j++) 
	f[j]=max(f[j],f[j-v]+w)
多重背包问题:
看懂了上面两步,我们可以来进行多重背包问题的推导
考虑物品i的个数为s,也就是最多被选s次

考虑选多少个物品i最好(<=s):
f[i][j]    =max(f[i-1][j],f[i-1][j-v]+w,f[i-1][j-2*v]+2*w,....,f[i-1][j-s*v]+s*w)
f[i][j-v]  =max(         f[i-1][j-v],f[i-1][j-2*v]+w,....,f[i-1][j-s*v]+(s-1)*w,f[i-1][j-(s+1)v]+sw)//注意这个地方的区别,最多选s个
f[i][j-2*v]=max(         f[i-1][j-2*v],f[i-1][j-3*v]+w,....,f[i-1][j-s*v]+(s-2)*w,f[i-1][j-(s+1)v]+(s-1)w,f[i-1][j-(s+2)*v]+s*w)//注意这个地方的区别,最多选s个
我们可以观察到,f[i][j-v]比f[i][j-2*v]多了一项f[i-1][j-v],少了一项f[i-1][j-(s+2)*v],
f[i][j]与f[i][j-v]的关系也是类似,这里我们可以想到学过的数据结构——单调队列,这样可以快速求出max,不过需要注意的是,按照加入队列的顺序不同,要加入不同的w,需要维持一个等差的关系开判断是否入队出队。

在这里插入图片描述

时间复杂度为 O ( N ∗ M ) O(N*M) O(NM)
代码如下:

#include<cstdio>
#include<iostream>
#include<algorithm>
#include<cstring>
using namespace std;
const int N=20010;

int f[N];
int g[N],q[N];
int main(){
    int n,m;
    cin>>n>>m;
    for(int i=0;i<n;i++){
        int v,w,s;
        scanf("%d%d%d",&v,&w,&s);
        memcpy(g,f,sizeof f);
        for(int j=0;j<v;j++){
            int hh=0,tt=-1;
            for(int k=j;k<=m;k+=v){
                if(tt>=hh&&k-s*v>q[hh]) hh++;//队尾出队
                if(tt>=hh) f[k]=max(g[k],g[q[hh]]+(k-q[hh])/v*w);//求出在队尾的最大值
                while(hh<=tt&&g[k]>=g[q[tt]]+(k-q[tt])/v*w) tt--;//维护单调队列
                q[++tt]=k;//入队
            }
        }
    }
    cout<<f[m]<<endl;
    return 0;
}


  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

chp的博客

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值