完全背包的概念
完全背包问题与01背包的概念大体相同,二者最大的不同是:01背包问题中每件物品的个数只有一个,而在完全背包中物品的个数是无限个。也就是说我们在选择物品时,同一种物品我们可以多次选择以得到最优解。
问题分析
首先我们还是定义一个dp[i][j]数组用来记录状态,i表示第几件物品,j表示背包的容量。同样我们也分为两种情况:
- 不放入第i件物品,也就是dp[i-1][j]这与01背包相同。
- 我们选择放入第i件物品,这种情况下两种背包问题就不同之处了,01背包的状态方程是:
dp[i][j] = max(dp[i-1][j],dp[i-1][j-w[i]]+v[i])
而完全背包的状态方程是:
dp[i][j] = max(dp[i-1][j],dp[i][j-w[i]]+v[i])
不同之处在于后面一个是dp[i-1],一个是dp[i]。因为完全背包中每种物品有无限个,我们放入过这种物品后还可以继续放入这种物品,所以他的状态是由他自己这种物品转移过来,而不是从上一种物品转移,所以是dp[i]。
对状态方程进行优化处理
与01背包类似,我们也可以对上面的状态方程进行空间优化。不同的是01背包中是反向枚举,而完全背包是正向枚举。因为01背包中状态来自上一种物品,我们要避免上一层被覆盖,完全背包中状态来自同种物品,我们需要覆盖。
直接上代码
for(int i=1;i<=n;i++)
{
for(int j=w[i];j<=m;j++)//注意是正向枚举!
{
dp[j] = max(dp[j],dp[j-w[i]]+v[i]);
}
}
另一种分析
我们从第i件物品放多少件出发,01背包只有放0件和放1件,而这里是0件,1件…直到超过限重(k>j/w[i]),我们可以推出状态方程:
dp[i][j] = max(dp[i-1][j],dp[j-k*w[i]]+k*v[i])//k为装入第i种物品的件数
这种方法我们也可以进行空间优化:
for(int i=1;i<=n;i++)//物品
{
for(int j=m;j>=w[i];j--)//背包容量,必须反向枚举!
{
for(int k=0;k<=j/w[i];k++)//k为物品放入的个数
{
dp[j] = max(dp[j],dp[j-k*w[i]]+k*v[i]);
}
}
}
例题
链接: link.
#include <iostream>
#include <algorithm>
#include <string.h>
using namespace std;
int w[510],v[510],dp[50010];
int main()
{
int t;
cin>>t;
while(t--)
{
memset(dp,0,sizeof(dp));
int Empty,Full,n,m;
cin>>Empty>>Full>>n;
m = Full-Empty;
for(int i=1;i<=n;i++)
cin>>v[i]>>w[i];
for(int i=0;i<=m;i++)
dp[i] = 100000000;//题目
dp[0] = 0;
for(int i=1;i<=n;i++)
{
for(int j=w[i];j<=m;j++)
{
dp[j] = min(dp[j],dp[j-w[i]]+v[i]);//题目求的是最小值
}
}
if(dp[m]==100000000)
cout<<"This is impossible."<<endl;
else
cout<<"The minimum amount of money in the piggy-bank is "<<dp[m]<<"."<<endl;
}
return 0;
}