【算法】多重背包问题

最新推荐文章于 2024-04-06 22:47:02 发布
最新推荐文章于 2024-04-06 22:47:02 发布
阅读量4.9k 收藏 8
点赞数 1
原文链接：https://blog.csdn.net/ggdhs/article/details/90648890
版权

1 背包问题

1.1 题目描述

有一个包和n个物品，包的容量为m，每个物品都有各自的体积和价值，问当从这n个物品中选择多个物品放在包里而物品体积总数不超过包的容量m时，能够得到的最大价值是多少？（对于每个物品不可以取多次，最多只能取一次，之所以叫做0-1背包，0表示不取，1表示取）

1.2 思路

动态规划，根据动态规划解题步骤（建立模型、寻找约束条件、找子问题之间的的递推关系式、填表（区间模型）、得到解）找出0-1背包问题的最优解以及解组成。

1.3 步骤

首先定义：Vi表示标号为i物品的价值，Wi表示标号为i物品的体积。capacity为背包的最大容量。那么一个0-1背包问题的具体步骤如下：

  1. 建立模型，我们要求在物品总体积限制为capacity的情况下，尽可能装下价值高的物品组合，其模型如下：
    在这里插入图片描述
  2. 寻找状态转换方程，即子问题之间的递推关系，我们令V(i,j)表示当前背包为容量 j，前 i 个物品最佳组合对应的价值最优解，那么就有两种可能：
    (1) 包的容量比该商品体积小，即j < Vi，装不下第i个物品。此时背包容量为j，前i个物品的最优解与背包容量为j，前i-1个物品最佳组合对应的最优解是一样的，即V(i,j)=V(i-1,j)。
    (2) 当包的容量等于或大于该商品的体积，即j >= Vi，能装下第i个物品。那无非有两种情况，在前i个物品，背包容量为j的最优组合里有第i个物品，但同时占据了背包Wj个容量，V(i,j) = V(i-1,j-Wi)+Vi；在前i个物品，背包容量为j的最优组合里没有第i个物品，此时V(i,j) = V(i-1,j)。所以，根据最优性原理，背包容量为j，前i个物品的最优解V(i,j) 要取这两种情况的最大值，V(i,j) = max{V(i-1,j),V(i-1,j-Wi)+Vi},由此可以得出递推关系式：
    在这里插入图片描述
  3. 根据递推公式进行逐行填表，初始化表V(i,o) = 0，V(0,j) = 0,表的列维度从0到n，行维度从0到capacity。
  4. 根据填表过程，编写代码。

1.4 举例

有如下几种物品，物品的价值和体积如表所示：
在这里插入图片描述
首先定义：Vi表示标号为i物品的价值，Wi表示标号为i物品的体积。另外背包的总体积为10。

1.4.1 填表

填表过程如下：
在这里插入图片描述

1.5 代码实现（python）

def  zeroOneBag(num,capacity,weightList,valueList):
    valueExcel= [[0 for j in range(capacity + 1)] for i in range(num + 1)]
    for i in range(1,num+1):
        for j in range(1,capacity+1):
            valueExcel[i][j] = valueExcel[i - 1][j]
            if j >= weightList[i-1] and valueExcel[i][j] < (valueExcel[i - 1][j - weightList[i - 1]] + valueList[i - 1]):
                valueExcel[i][j] = (valueExcel[i - 1][j - weightList[i - 1]] + valueList[i - 1])
    return valueExcel
print(zeroOneBag(5,10,[2,2,6,5,4],[6,3,5,4,6]))
# 输出结果为：
[[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], 
[0, 0, 6, 6, 6, 6, 6, 6, 6, 6, 6], 
[0, 0, 6, 6, 9, 9, 9, 9, 9, 9, 9], 
[0, 0, 6, 6, 9, 9, 9, 9, 11, 11, 14],
[0, 0, 6, 6, 9, 9, 9, 10, 11, 13, 14], 
[0, 0, 6, 6, 9, 9, 12, 12, 15, 15, 15]]

因此该问题的价值最大组合为15。

1.6 算法优化

上面这种写法的时间复杂度为o（nc），空间复杂度也为o（nc）。时间复杂度不能在优化了，但是空间复杂度可以进行优化，使之降低到o（c）。

def zeroOneBagOpt(num,capacity,weightList,valueList):
    valueRes = [0 for i in range(capacity+1)]
    for i in range(1, num + 1):
        for j in range(capacity, 0, -1):
            if j >= weightList[i-1]:
                valueRes[j] = max(valueRes[j-weightList[i-1]]+valueList[i-1], valueRes[j])
        # i变一次，数组的更新一次，利用数组的不断更新，达到上面的方法动态规划的目的。
        # 当j遍历更新完一遍valueRes，valueRes就相当于完成上边方法中表第i+1行的填充.
        # 必须从后向前遍历和判断储存结果的数组，因为valueRes[j-weightList[i-1]]+valueList[i-1]就相当于V(i-1,j-Wi)+ Vi
        # 判断第i个物品是否是最优解的时候，需要以i-1的情况为基础，不能掺杂有关第i个物品的信息，
        # 如果从前往后遍历，那么valueRes[:j]的数是判断了i之后的，会产生错误。
        # 这里的value[j]即为上一次最佳结果，从后向前可以在遍历到j的未知的时候，不破坏j前面的上一次的最佳结果。
        # 
    return valueRes
print(zeroOneBagOpt(5,10,[2,2,6,5,4],[6,3,5,4,6]))
# 输出结果为：[0, 0, 6, 6, 9, 9, 12, 12, 15, 15, 15]

1.6.1 找到最佳组合的构成

通过上面的方法可以求出背包问题的最优解，但还不知道这个最优解由哪些商品组成，故要根据最优解回溯找出解的组成，根据填表的原理可以有如下的寻解方式：

  1. V(i,j)=V(i-1,j)时，说明没有选择第i 个商品，则回到V(i-1,j)；
  2. V(i,j)!=V(i-1,j)时，说明装了第i个商品，该商品是最优解组成的一部分，一定有V(i,j)=V(i-1,j-w(i))+v(i)，随后我们得回到装该商品之前，即回到V(i-1,j-w(i))；
  3. 重复1,2，一直遍历到i＝0结束为止，所有解的组成都会找到。
    在这里插入图片描述
    最优解的组成由第1个，第2个，第5个。
def showRes(num,capacity,weightList,valueExcel):
    indexRes = []
    j = capacity
    for i in range(num,0,-1):
        if valueExcel[i][j] != valueExcel[i-1][j]:
            indexRes.append(i)
            j -= weightList[i-1]
    return indexRes
valueExcel = (zeroOneBag(5,10,[2,2,6,5,4],[6,3,5,4,6]))
print(showRes(5,10,[2,2,6,5,4],valueExcel))
# 输出结果为：[5, 2, 1]

2. 多重背包问题

2.1 问题详解

在这里插入图片描述

2.2 题目思路

在这里插入图片描述
例如，第i种物品有3个，因此可以把这三个物品进行拆分，看作是不同种类的物体，不过是具有相同体积和价值的不同物品，通过拆分，就把可以放多个同种物品拆分成只能放0个或者一个“不同”物品的0-1背包问题。

2.3 代码实现（python）

# weightList：每种物品的体积
# valueList：每种物品的价值
# numList：每种物品的数量
def trans(weightList,valueList,numList):      # 转换函数 
    K = len(numList)
    newWeightList = []
    newValueList = []
    num = sum(numList)
    for i in range(K):
        for j in range(numList[i]):
            newWeightList.append(weightList[i])
            newValueList.append(valueList[i])
    return num,newValueList,newWeightList
def zeroOneBag(numList,capacity,weightList,valueList):
 	# 先将多重问题转成0-1问题，利用0-1问题的代码。
    num,newValueList,newWeightList = trans(weightList,valueList,numList)
    valueExcel= [[0 for j in range(capacity + 1)] for i in range(num + 1)]
    for i in range(1,num+1):
        for j in range(1,capacity+1):
            valueExcel[i][j] = valueExcel[i - 1][j]
            if j >= newWeightList[i-1] and valueExcel[i][j] < (valueExcel[i - 1][j - newWeightList[i - 1]] + newValueList[i - 1]):
                valueExcel[i][j] = (valueExcel[i - 1][j - newWeightList[i - 1]] + newValueList[i - 1])
    return valueExcel
print(zeroOneBag([2,5,10],8,[2,2,1],[20,10,6]))
# 输出结果：
#[[0, 0, 0, 0, 0, 0, 0, 0, 0],
# [0, 0, 20, 20, 20, 20, 20, 20, 20], 
# [0, 0, 20, 20, 40, 40, 40, 40, 40],
# [0, 0, 20, 20, 40, 40, 50, 50, 50],
# [0, 0, 20, 20, 40, 40, 50, 50, 60],
# [0, 0, 20, 20, 40, 40, 50, 50, 60],
# [0, 0, 20, 20, 40, 40, 50, 50, 60],
# [0, 0, 20, 20, 40, 40, 50, 50, 60],
# [0, 6, 20, 26, 40, 46, 50, 56, 60],
# [0, 6, 20, 26, 40, 46, 52, 56, 62],
# [0, 6, 20, 26, 40, 46, 52, 58, 62],
# [0, 6, 20, 26, 40, 46, 52, 58, 64],
# [0, 6, 20, 26, 40, 46, 52, 58, 64],
# [0, 6, 20, 26, 40, 46, 52, 58, 64],
# [0, 6, 20, 26, 40, 46, 52, 58, 64],
# [0, 6, 20, 26, 40, 46, 52, 58, 64],
# [0, 6, 20, 26, 40, 46, 52, 58, 64],
# [0, 6, 20, 26, 40, 46, 52, 58, 64]]

最终的最大价值为64。和0-1背包问题一样，可以对空间进行优化，这里就省略了。

2.4 优化

利用一般的思路讲多重背包问题转化成0-1背包问题进行解决，某种物品有多少个就要拆分成多少个不同的物品，这会增加时间复杂度和空间复杂度。因此我们可以利用另一种分解方法：二进制分解：
在这里插入图片描述
分解代码：

def binaryDecomposition(n):  # 二进制分解
     k = 0
     res = []
     while n - 2**(k+1) + 1  > 0:
         res.append(2**k)
         k += 1
     res.append(n-2 ** (k) + 1)
     return res

如果第i种物品有13个，根据这种思路，13拆分成1,2，4,6。只需要将这种物品拆分成4个物品，这四个物品的体积和价值分别是（Wi,Vi），（2Wi,2Vi），（4Wi,4Vi），（6Wi,6Vi），而不是13个物品，这就降低了时间复杂度和空间复杂度。

优化代码：

# optimization
def binaryDecomposition(n):  # 二进制分解
     k = 0
     res = []
     while n - 2**(k+1) + 1  > 0:
         res.append(2**k)
         k += 1
     res.append(n-2 ** (k) + 1)
     return res
def trans(weightList,valueList,numList):
    newWeightList = []
    newValueList = []
    for i in range(len(numList)):
        for j in binaryDecomposition(numList[i]):
            newWeightList.append(j * weightList[i])
            newValueList.append(j * valueList[i])
    num = len(newValueList)
    return num,newValueList,newWeightList
def  zeroOneBag(numList,capacity,weightList,valueList):
    num,newValueList,newWeightList = trans(weightList,valueList,numList)
    valueExcel= [[0 for j in range(capacity + 1)] for i in range(num + 1)]
    for i in range(1,num+1):
        for j in range(1,capacity+1):
            valueExcel[i][j] = valueExcel[i - 1][j]
            if j >= newWeightList[i-1] and valueExcel[i][j] < (valueExcel[i - 1][j - newWeightList[i - 1]] + newValueList[i - 1]):
                valueExcel[i][j] = (valueExcel[i - 1][j - newWeightList[i - 1]] + newValueList[i - 1])
    return valueExcel
print(zeroOneBag([2,5,10],8,[2,2,1],[20,10,6]))
# 输出结果为：
[[0, 0, 0, 0, 0, 0, 0, 0, 0],
#[0, 0, 20, 20, 20, 20, 20, 20, 20],
#[0, 0, 20, 20, 40, 40, 40, 40, 40],
#[0, 0, 20, 20, 40, 40, 50, 50, 50],
#[0, 0, 20, 20, 40, 40, 50, 50, 60],
#[0, 0, 20, 20, 40, 40, 50, 50, 60],
#[0, 6, 20, 26, 40, 46, 50, 56, 60],
#[0, 6, 20, 26, 40, 46, 52, 58, 62],
#[0, 6, 20, 26, 40, 46, 52, 58, 64],
#[0, 6, 20, 26, 40, 46, 52, 58, 64]]

通过输出结果也可以看出，表的维度比上一种方法要低。最终的最佳组合的价值为64。

3.完全背包问题

3.1 问题描述

在这里插入图片描述

3.2 思路

完全背包问题和多重背包问题以及0-1背包问题的唯一不同就在于在背包容量允许的情况下，可以在背包里放无限个同一种物品。

下面是0-1背包问题的递推公式：
在这里插入图片描述
我们仍然令V(i,j)表示当前背包为容量 j，前 i 个物品最佳组合对应的价值最优解。那么我们可以根据这个0-1背包问题的状态转换方程通过变化，得到完全背包问题的递推公式。
在这里插入图片描述

3.3 代码实现（python）

def compKnap(num,capacity,weightList,valueList):
    valueExcel = [[0 for j in range(capacity + 1)] for i in range(num + 1)]
    for i in range(1, num + 1):
        for j in range(1, capacity + 1):
            for k in range((j // weightList[i - 1]) + 1):
                if valueExcel[i][j] < (valueExcel[i - 1][j - k*weightList[i - 1]] + k*valueList[i - 1]):
                    valueExcel[i][j] = (valueExcel[i - 1][j - k * weightList[i - 1]] + k*valueList[i - 1])
    return valueExcel
# print(compKnap(5,16,[5,4,7,2,6],[12,3,10,3,6]))
"""
输出结果为：
[[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
 [0, 0, 0, 0, 0, 12, 12, 12, 12, 12, 24, 24, 24, 24, 24, 36, 36],
 [0, 0, 0, 0, 3, 12, 12, 12, 12, 15, 24, 24, 24, 24, 27, 36, 36],
 [0, 0, 0, 0, 3, 12, 12, 12, 12, 15, 24, 24, 24, 24, 27, 36, 36],
 [0, 0, 3, 3, 6, 12, 12, 15, 15, 18, 24, 24, 27, 27, 30, 36, 36],
 [0, 0, 3, 3, 6, 12, 12, 15, 15, 18, 24, 24, 27, 27, 30, 36, 36]]
"""

3.4 优化

和0-1背包问题一样，完全背包问题也可以通过二进制分解来进行拆分，来降低时间复杂度和空间复杂度。同时，还可以优化，将其优化成和相同条件下0-1背包问题时间复杂度、空间复杂度一样的算法。

其方法和0-1背包问题的优化方法一样。都是借助一个一维数组。

def compKnapOpt(num,capacity,weightList,valueList):
    valueExcel = [0 for j in range(capacity + 1)]
    for i in range(1, num + 1):
        for j in range(1, capacity + 1):
            if weightList[i-1]<=j:
                valueExcel[j] = max(valueExcel[j - weightList[i - 1]] + valueList[i - 1], valueExcel[j])
    return valueExcel
print(compKnapOpt(5,16,[5,4,7,2,6],[12,3,10,3,6]))
# 输出结果：
[0, 0, 3, 3, 6, 12, 12, 15, 15, 18, 24, 24, 27, 27, 30, 36, 36]
AA8j
关注
  • 1
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
背包问题（01背包问题，多重背包问题，完全背包问题）——基于python的动态规划
ggdhs的博客
05-28 1万+
1. 0-1背包问题 1.1 题目描述 有一个包和n个物品，包的容量为m，每个物品都有各自的体积和价值，问当从这n个物品中选择多个物品放在包里而物品体积总数不超过包的容量m时，能够得到的最大价值是多少？[对于每个物品不可以取多次，最多只能取一次，之所以叫做0-1背包，0表示不取，1表示取] 1.2思路 动态规划，根据动态规划解题步骤（建立模型、寻找约束条件、找子问题之间的的递推关系式、填表（区间模...
遗传算法解决背包问题
01-20
简单的遗传算法用于解决背包问题codeblocks编写，运行成功
动态规划之背包问题
Yanyu_123的博客
02-28 197
背包问题 问题描述 有n个物品，它们有各自的体积和价值，现有给定容量的背包，如何让背包里装入的物品具有最大的价值总和？ 假定4个物品，背包最大容量是8。 体积分别为{2,3,4,5}，价值分别为{3,4,5,6}。 0-1背包问题 问题：在有限容量capacity中，每个物品最多取一次，使得背包中物品的价值最大。 代码 #include <bits/stdc++.h> using namespace std; vector<int> w{2,3,4,5}; vector<int
动态规划-01背包问题（python）
m0_74320955的博客
04-05 4904
若要放入i,则需要留出i对应的空间大小arr[i][0]（留出空间后的空间大小为：j-arr[i][0]）,此时剩下的空间放前（i-1）个物品，便可以通过查表读取前i-1个物品在j-arr[i][0]背包容量下的最大价值，再加上i物品的价值arr[i][1],即使加入i物品的价值，再与value[i-1][j]比较，填入较大的一个。我们传入的arr[]列表包含了N个物品，每个物品的下标从1-N，物品包含两个数据，一个为体积，一个为价值。当背包容量大于i的体积时，可以放入i号物品，此时最大价值为。
5. 多重背包问题 II(acwing)
最新发布
m0_73841621的博客
04-06 1094
二进制优化的思路是将每种物品拆分成若干个组合，使得每个组合内物品的数量是2的幂次，这样可以通过少量的组合来组成任意数量的物品，减少了状态的数量。这段代码是用于解决多重背包问题的，它使用了动态规划（DP）的方法，并且通过二进制的思想对多重背包问题进行了优化。上面的代码是对多重背包问题的直观解决方法，在这种方法中，我们对于每种物品，都尝试从0件到s[i]件之间的所有可能性，并更新状态。这种方法遍历了物品的每种可能性，确保找到在不超过背包容量的情况下，物品的最大总价值。种物品的数量，这个方程表示背包容量为。
背包九讲——九种背包问题的算法思路+代码分析
鱼香rose_的博客
08-04 2339
其实九种背包问题都是由01背包问题延伸而来，因为其他背包问题都是在01背包问题上加了一些其他条件或限制。只要01背包的思想完全掌握，那么在学习其他背包问题的时候都能够很快理解，在解决其他背包问题时基本只是在01背包基础上，增加一些判断，或是在01背包思想的基础上根据题目要求做出一些调整。因此本篇在刚开始介绍01背包的时候会花费较多笔墨，尽量保证大家能够理解01背包，接下来后面的背包问题就会只对于题目相对01背包作出的更改进行讲解。
动态规划（五）：多重背包问题
qq_42138662的博客
07-03 1146
一、多重背包问题 背包问题为有N种物品和一个最多能被重量为W 的背包。第i件物品的重量是weight[i]，数量为Mi，得到的价值是value[i] ，没件物品只能使用一次，将这些物品装进背包，怎么装价值最高。 二、多重背包问题的解法 我们注意到01背包并没有要求物品不一样，因此我么可以把多重背包摊开，把Mi件第i中物品视作Mi种物品，没种只有一个，这就转换成一个01背包问题，具体的转化方式有两种 1、显示摊开 void test_multi_pack() { vector<int> w
多重背包问题---超详细讲解+优化（不懂你揍我）
热门推荐
windfriendc的博客
04-01 2万+
多重背包我们其实可以看成为01背包和完全背包的组合。但是怎么组合的呢？也可以就把多重背包问题转换成01背包问题，我们一起来看看解题思路。 1.状态表示 DP问题我们先来看状态表示 二维数组的表示，F[i][j]代表前 i 个物品中，背包容量为 j 时所能拿到的最大价值。 然后我们就看如何把多重背包转换成01背包与完全背包。 2.转换 （1）转换为01背包 我们知道，01背包问题指的是各个物品只有一件，但在多重背包问题中，我们每种物品有 Si 件。 我们可以考虑将多个同种物品合成一件物品。..
多重背包问题大全(超详细)
weixin_46503238的博客
03-25 1万+
题目: 有N种物品和一个容量为V的背包。第i种物品最多有n[i]件可用，每件费用是c[i]，价值是w[i]。求解将哪些物品装入背包可使这些物品的费用总和不超过背包容量，且价值总和最大。 首先多重背包问题可以转换为01背包来解决,关键就是如何转换! 我们先来一种最基本的解法。 朴素解法 基本思想:比如第i件物品有s个,我可以把相同种类的物品的进行合并,比如我拿出两件合并出一个新的物品,我拿出三件合并出一个新的物品,以此类推,我拿出s个合并出一个新的物品。基于这种思想,我们把第i件的s个物品转换为s种体积各不
动态规划入门（十） 多重背包问题
Hello World!
08-05 1139
现有 N种不同的物品和一个容量为 V 的背包，已知第 i 件物品最多有件，每件物品的体积是 ，价值是 。要求在有限的背包容量下，使得装入的物品总价值最大。
多重背包问题（详解二进制优化原理）
Turing_Sheep的博客
12-22 3012
推导二进制优化的过程并讲解二进制优化背后的底层原理，帮助你彻底掌握多重背包问题。
贪心算法解多重背包代码
05-21
使用贪心算法解决多重背包问题（物体可拆分）的具体C++代码
贪心算法 多重背包
06-15
用贪心算法解决多重背包问题的C++解决方法
遗传算法解决多维背包问题（java代码）
12-17
用遗传算法解决多维背包问题，采用java代码。用遗传算法解决多维背包问题，采用java代码用遗传算法解决多维背包问题，采用java代码用遗传算法解决多维背包问题，采用java代码。
二维多重背包问题及基于遗传算法的解决方案.rar
12-23
二维多重背包问题及基于遗传算法的解决方案.rar
【动态规划】多重背包问题详解 超详细 总结 dp
Sx_WWj的博客
03-07 1923
有n种物品和一个容量是m的背包。第 i 种物品最多有 si 件，每件体积是 vi，价值是 wi。求解将哪些物品装入背包，可使物品体积总和不超过背包容量，且价值总和最大，输出最大价值。
背包问题之多重背包
WorldMvp的专栏
03-23 2250
一、多重背包问题描述 有3种物品和1个背包，背包最多只能装下15公斤的物品。怎样选择物品，使得背包能装下并且得到的价值最大。物品的重量、价值和个数如下所示： 物品编号 重量 价值 件数 物品1 3公斤 2元 4件 物品2 4公斤 3元 3件 物品3 5公斤 4元 2件 二、解题思路 我们先看下0-1背包实现原理：背包问题之0-1背包算法详解_爱思考的实践者的博客-CSDN博客。 对比分析发现，多重背包与0-1背包
背包九讲之递推算法 三（多重背包问题）
weixin_73258319的博客
10-11 782
通过了解二进制优化的原理及其需要，来进一步理解，转化背包问题。 小白们看过来~~！
遗传算法解决多重背包问题
03-26
遗传算法是一种基于生物进化原理的优化算法，可以用于解决多重背包问题。多重背包问题是指在给定的一组物品中，每个物品有对应的重量和价值，背包有一定的容量限制，目标是选择一些物品放入背包中，使得背包中物品的...

“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

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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