【动态规划】背包求最大最小价值问题

已于 2022-09-20 15:16:43 修改
阅读量4.5k 收藏 30
点赞数 3
分类专栏： 算法程序设计 文章标签： 算法 经验分享
于 2022-05-04 16:09:59 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_46450354/article/details/124570951
版权

文章目录

正文开始之前的基础和进阶版本

情况一：从前 i 个物品中选，且总体积不超过 j 的最大价值，初始化是 f[i , k] = 0，0 <= i <= n, 0 <= k <= m（只会求价值的最大值）

01背包问题

例子：给你一堆物品，每个物品有一定的体积和对应的价值，每个物品只能选一个，求总体积不超过 m 的最大价值

输入 ：n 个物品， 总体积不超过 m, 接下来是 n 个物品的体积和价值

4 5
1 2
2 4
3 4
4 5

输出：最大价值

8

二维代码

#include <bits/stdc++.h>
using namespace std;

const int N = 110;

int n, m;
int f[N][N];

int main() {
    
    cin >> n >> m;
    
    for (int i = 1; i <= n; i ++ ) {
        int v, w;
        cin >> v >> w;
        for (int j = 0; j <= m; j ++ ) {
            f[i][j] = f[i - 1][j]; //不选
            if (j >= v) f[i][j] = max(f[i][j], f[i - 1][j - v] + w);
        }
    }
    
    cout << f[n][m];
    
    return 0;
}

状态压缩

#include <bits/stdc++.h>
using namespace std;

const int N = 110;

int n, m;
int f[N];

int main() {
    
    cin >> n >> m;
    
    for (int i = 1; i <= n; i ++ ) {
        int v, w;
        cin >> v >> w;
        for (int j = m; j >= v; j -- ) {
            f[j] = max(f[j], f[j - v] + w);
        }
    }
    
    cout << f[m];
    
    return 0;
}

情况二：从前 i 个物品中选，且总体积恰好是 j

01背包问题

（1）求价值最大值：初始化 f[0][0] = 0, 其余是 -INF

例子：给你一堆物品，每个物品有一定的体积和对应的价值，每个物品只能选一个，求总体积恰好是 j 的最大价值

输入

4 5
1 2
2 4
3 4
4 5

输出

8

二维代码

#include <bits/stdc++.h>
using namespace std;

const int N = 110, INF = 0x3f3f3f3f;

int n, m;
int f[N][N];

int main() {
    
    cin >> n >> m;
    
    /*初始时刻，只能当恰好体积等于 自身v时， j - v 为 0 ， 从 f[0][0] 转移过来
      第二个同理 可从f[1][0]转移， 价值即为自身价值
      第一个物品： 0 2 -1044266557 -1044266557 -1044266557 -1044266557 
	  前两个物品： 0 2 4 6 -1044266553 -1044266553 
	  前三个物品： 0 2 4 6 6 8 
	  前四个物品： 0 2 4 6 6 8 
	  初始化为无穷是为了让所有物品最开始都只能从自身转移
	  对比体积不超过背包容量，初始化全零的情况，可以看出，每个物品在后面至少都可是自身带来的价值
	  第一个物品： 0 2 2 2 2 2 
	  前两个物品： 0 2 4 6 6 6 
	  前三个物品： 0 2 4 6 6 8 
	  前四个物品： 0 2 4 6 6 8 
    */
    memset(f, -0x3f, sizeof f);
    f[0][0] = 0;
    for (int i = 1; i <= n; i ++ ) {
        int v, w;
        cin >> v >> w;
        for (int j = 0; j <= m; j ++ ) {
            f[i][j] = f[i - 1][j]; //先不选从上一状态转移过来，即最开始一个物品的话，就是从第 0 行转移，不能敲好等于自身体积，则会被置为 -INF
            if (j >= v) f[i][j] = max(f[i][j], f[i - 1][j - v] + w); //再判断当前是否可以加入当前这个物品
        }
    }
    
    int res = 0;
    for (int i = 0; i <= m; i ++ ) res = max(res, f[n][i]); 
    cout << res;
    
    return 0;
}

状态压缩

#include <bits/stdc++.h>
using namespace std;

const int N = 110, INF = 0x3f3f3f3f;

int n, m;
int f[N];

int main() {
    
    cin >> n >> m;
    /*
      状态压缩后，每一层的转移状态，需要注意这里需要从体积的最大值 m, 递减到 v, 是为了借助上一次的状态， 只取到 v 是因为之前的由于 < v，所以不选，即可不操作
      第一个物品： 0 2 -1044266557 -1044266557 -1044266557 -1044266557 
	  前两个物品： 0 2 4 6 -1044266553 -1044266553 
	  前三个物品： 0 2 4 6 6 8 
	  前四个物品： 0 2 4 6 6 8 
    */
    memset(f, -0x3f, sizeof f);
    f[0] = 0;
    for (int i = 1; i <= n; i ++ ) {
        int v, w;
        cin >> v >> w;
        for (int j = m; j >= v; j -- ) {
            f[j] = max(f[j], f[j - v] + w);
        }
    }
	
	int res = 0;
	for (int i = 1; i <= m; i ++ ) res = max(res, f[i]);    
    cout << res;
    
    return 0;
}

（2）求价值最小值：初始化 f[0][0] = 0, 其余是 INF

例子：给你一堆物品，每个物品有一定的体积和对应的价值，每个物品只能选一个，求总体积恰好是j的最小价值

输入

4 5
1 2
2 4
3 4
4 5

输出

7

二维代码

#include <bits/stdc++.h>
using namespace std;

const int N = 110, INF = 0x3f3f3f3f;

int n, m;
int f[N][N];

int main() {
    
    cin >> n >> m;
    /*
    首先要控制状态转移一定只能从恰好能等于该体积的状态转移过来，所以除了f[0][0]为0外，其余都为 INF
    接下来就是取最大或者最小即可
    第一个物品： 0 2 1061109567 1061109567 1061109567 1061109567 
	前两个物品： 0 2 4 6 1061109567 1061109567 
	前三个物品： 0 2 4 4 6 8 
	前四个物品： 0 2 4 4 5 7 
	*/
    memset(f, 0x3f, sizeof f);
    f[0][0] = 0;
    for (int i = 1; i <= n; i ++ ) {
        int v, w;
        cin >> v >> w;
        for (int j = 0; j <= m; j ++ ) {
            f[i][j] = f[i - 1][j];
            if (j >= v) f[i][j] = min(f[i][j], f[i - 1][j - v] + w);
        }
    }
    
    int res = 0;
    for (int i = 0; i <= m; i ++ ) res = max(res, f[n][i]); 
    cout << res;
    
    return 0;
}

状态压缩

#include <bits/stdc++.h>
using namespace std;

const int N = 110, INF = 0x3f3f3f3f;

int n, m;
int f[N];

int main() {
    
    cin >> n >> m;
    /*
		状态压缩同01背包求最大值的状态压缩
	*/
    memset(f, 0x3f, sizeof f);
    f[0] = 0;
    for (int i = 1; i <= n; i ++ ) {
        int v, w;
        cin >> v >> w;
        for (int j = m; j >= v; j -- ) {
            f[j] = min(f[j], f[j - v] + w);
        }
    }
    
    int res = 0;
    for (int i = 0; i <= m; i ++ ) res = max(res, f[i]); 
    cout << res;
    
    return 0;
}

完全背包问题

(1)求价值最大值：初始化 f[0][0] = 0, 其余是 -INF

例子：给你一堆物品，每个物品有一定的体积和对应的价值，每个物品可以选无数多个，求总体积恰好是 j 的最大价值

输入

4 5
1 2
2 4
3 4
4 5

输出

10

二维代码

#include <iostream>
#include <cstring>

using namespace std;

const int N = 110, INF = 0x3f3f3f3f;

int n, m;
int f[N][N];

int main()
{
    cin >> n >> m;

    memset(f, -0x3f, sizeof f);
    f[0][0] = 0;
	/*
		有了 01 背包问题求恰好体积为 j 的经验，其实完全背包同理，
		初始化值，让每个背包只能当恰好等于自己体积时，才发生转移，
		依次对背包选0 - 无穷个，这里其实已经进行了状态的压缩，
		完全背包问题本身是三重循环，第三重是选当前背包的个数
		第一种背包（ 1 2 ）： 0 2 4 6 8 10 
		第二个背包（ 2 4 ）： 0 2 4 6 8 10 
		第三个背包（ 3 4 ）： 0 2 4 6 8 10 
		第四个背包（ 4 5 ）： 0 2 4 6 8 10 
	*/
    for (int i = 1; i <= n; i ++ )
    {
        int v, w;
        cin >> v >> w;
        for (int j = 0; j <= m; j ++ )
        {
            f[i][j] = f[i - 1][j];
            if (j >= v) f[i][j] = max(f[i][j], f[i][j - v] + w);
        }
    }

    int res = 0;
    for (int i = 0; i <= m; i ++ ) res = max(res, f[n][i]); 
    cout << res;

    return 0;
}
☆完全背包问题的经典状态压缩过程
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-3*v]+3*w , .....)
f[i , j-v]= max(            f[i-1,j-v]   ,  f[i-1,j-2*v] + w , f[i-1,j-3*v]+2*w , .....)
由上两式，可得出如下递推关系： 
                        f[i][j]=max(f[i,j-v] + w , f[i-1][j])  //即选与不选两种状态

状态压缩

#include <iostream>
#include <cstring>

using namespace std;

const int N = 110, INF = 0x3f3f3f3f;

int n, m;
int f[N];

int main()
{
    cin >> n >> m;
    /*
	这里在进行状态压缩时， 可以看到，与01背包的区别在于， j 是 从 v ~ m 
	是因为由完全背包问题的状态压缩推导可以看到，需要用到的是当前状态的值，
	而01背包用到的是前一状态的值
	*/

    memset(f, -0x3f, sizeof f);
    f[0] = 0;

    for (int i = 1; i <= n; i ++ )
    {
        int v, w;
        cin >> v >> w;
        for (int j = v; j <= m; j ++ )
        {
            f[j] = max(f[j], f[j - v] + w);
        }
    }

    int res = 0;
    for (int i = 0; i <= m; i ++ ) res = max(res, f[i]); 
    cout << res;

    return 0;
}

(2)求价值最小值：初始化 f[0][0] = 0, 其余是 INF

例子：给你一堆物品，每个物品有一定的体积和对应的价值，每个物品可以选无数多个，求总体积恰好是 j 的最小价值

输入

4 5
1 2
2 4
3 4
4 5

输出

7

二维代码

#include <bits/stdc++.h>

using namespace std;

const int N = 110, INF = 0x3f3f3f3f;

int n, m;
int f[N][N];

int main()
{
    cin >> n >> m;

    memset(f, 0x3f, sizeof f);
    f[0][0] = 0;
	
    for (int i = 1; i <= n; i ++ )
    {
        int v, w;
        cin >> v >> w;
        for (int j = 0; j <= m; j ++ )
        {
            f[i][j] = f[i - 1][j];
            if (j >= v) f[i][j] = min(f[i][j], f[i][j - v] + w);
        }
    }

    int res = 0;
    for (int i = 0; i <= m; i ++ ) res = max(res, f[n][i]); 
    cout << res;

    return 0;
}

状态压缩

#include <iostream>
#include <cstring>

using namespace std;

const int N = 110, INF = 0x3f3f3f3f;

int n, m;
int f[N];

int main()
{
    cin >> n >> m;

    memset(f, 0x3f, sizeof f);
    f[0] = 0;

    for (int i = 1; i <= n; i ++ )
    {
        int v, w;
        cin >> v >> w;
        for (int j = v; j <= m; j ++ )
        {
            f[j] = min(f[j], f[j - v] + w);
        }
    }

    int res = 0;
    for (int i = 0; i <= m; i ++ ) res = max(res, f[i]); 
    cout << res;

    return 0;
}

情况三：从前 i 个物品中选，且总体积至少是 j ，初始化是 f[0][0] = 0, 其余是 INF（只会求价值的最小值）

例子：给你一堆物品，每个物品有一定的体积和对应的价值，每个物品只能选一次，求总体积至少是j的最小价值

输入

4 5
1 2
2 4
3 4
4 5

输出

7

题解

	1.初始化时：和恰好等于体积 j 的初始化方式相同，因为至少包含了恰好等于，而计算超出部分时，则需要通过 f[i][0] 转移过来
	2.max(0,  j  -  v) ,即当体积此时不能装下时， 表示超出了，也满足，所以直接可以从f[i][0] 表示过来，再 + w, 表示可以装，只是体积超出了。
	3.注意我们要求的是价值的最小值，所以体积不小于时，我们尽可能利用恰好就等于自身体积来算，所以利用最小的值即，f[i][0]进行转移
	第一种背包（ 1 2 ）： 0 2 4 6 8 10 
	第二个背包（ 2 4 ）： 0 2 4 6 8 10 
	第三个背包（ 3 4 ）： 0 2 4 4 6 8 
	第四个背包（ 4 5 ）： 0 2 4 4 5 7

二维代码

#include <iostream>
#include <cstring>

using namespace std;

const int N = 110, INF = 0x3f3f3f3f;

int n, m;
int f[N][N];

int main()
{
    cin >> n >> m;
	/*
		max(0, j - v) ,即当体积此时不能装下时， 表示超出了，也满足，所以直接可以从f[i][0] 表示过来，再 + w, 表示可以装，只是体积超出了
		第一种背包（ 1 2 ）： 0 2 4 6 8 10 
		第二个背包（ 2 4 ）： 0 2 4 6 8 10 
		第三个背包（ 3 4 ）： 0 2 4 4 6 8 
		第四个背包（ 4 5 ）： 0 2 4 4 5 7 
	*/
    memset(f, INF, sizeof f);
    f[0][0] = 0;

    for (int i = 1; i <= n; i ++ )
    {
        int v, w;
        cin >> v >> w;
        for (int j = 0; j <= m; j ++ )
        {
            f[i][j] = min(f[i - 1][j], f[i][max(0, j - v)] + w);//即使物品体积比j大，j - v < 0，也能选，等价于f[i - 1][0]
        }
    }

    cout << f[n][m] << endl;

    return 0;
}

状态压缩

#include <iostream>
#include <cstring>

using namespace std;

const int N = 110, INF = 0x3f3f3f3f;

int n, m;
int f[N];

int main()
{
    cin >> n >> m;
    /*
    	题目求至少是 j
		0 2 1061109567 1061109567 1061109567 1061109567 
		0 2 4 6 1061109567 1061109567 
		0 2 4 4 6 8 
		0 2 4 4 5 7 
	*/

    memset(f, 0x3f, sizeof f);
    f[0] = 0;

    for (int i = 1; i <= n; i ++ )
    {
        int v, w;
        cin >> v >> w;
        for (int j = m; j >= 0; j -- )
        {
            f[j] = min(f[j], f[max(0, j - v)] + w);//即使物品体积比j大，j - v < 0，也能选，等价于f[0]
        }
    }

    cout << f[m] << endl;

    return 0;
}

如有错误之处，欢迎指正~~~

青年有志
关注
  • 3
    点赞
  • 踩
  • 30
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
[DP]背包问题
~NULL~
01-27 387
题目描述 从T组物品中选出一些物品，放入背包中，求剩余空间的最小值。 限制条件：从每组物品中挑选物品必须要选取连续的一段。就是说，如果这组物品共有n个： 物品1、物品2、物品3、…、物品n，那么只能选取物品i、物品i+1、…、物品j，其中1 Input 第一行为两个用空格隔开的正整数v和T。表示背包的空间和物品的组数。接下来有T行，每行先是一个正整数ni，表示这组物品有ni个，然后ni个正
01背包问题动态规划01背包问题动态规划
01-21
动态规划方法不仅局限于01背包问题，还可以应用于许多其他领域，如最短路径问题（Dijkstra算法、Floyd算法）、最长公共子序列、最小编辑距离等。掌握动态规划的思想对于解决复杂问题具有极其重要的意义，它可以帮助...
【题解 | 分组背包】最小化目标值与所选元素的差
翼同学
04-07 246
给你一个大小为 m x n 的整数矩阵 mat 和一个整数 target 。从矩阵的 每一行 中选择一个整数，你的目标是 最小化 所有选中元素之 和 与目标值 target 的 绝对差 。返回 最小的绝对差 。
背包算法详解
最新发布
Weirdo的博客
06-01 752
背包问题是一类经典的优化问题，它涵盖了多种变种和扩展，每种问题都有其特定的解法和优化技巧。通过学习和掌握这些解法和技巧，我们可以更好地理解和解决实际应用中的优化问题。未来，随着人工智能和机器学习等技术的不断发展，背包问题在更多领域中将得到应用。同时，随着算法和计算技术的不断进步，背包问题的求解方法也将更加高效和智能。因此，对于背包问题的研究具有重要的理论和实践意义。
背包问题基础-01背包
Gaoithe的博客
05-02 841
在看这篇文章之前，最好要有一定的DP基础： 题目链接：http://acm.nefu.edu.cn/JudgeOnline/problemShow.php?problem_id=1712 简单来说就是你有一个承重量为m的背包，然后给你n个物品的重量和价值，求背包中能装物品的最大价值。 此类问题，有一套固定的模板，如题解报告中所给出的。接下来，我将此题的题解报告为例，分析问题思路。 1. ...
背包问题至多，至少，恰好问题的研究
qq_52765554的博客
02-27 1128
背包问题初始化，至多，至少，恰好问题
【背包问题】大容量背包问题(超大背包)
Elford的博客
05-21 3301
题目描述 有N件物品和一个容量为W的背包。第i件物品的重量是w[i]，价值是c[i]。求解将哪些物品装入背包可使这些物品的重量总和不超过背包容量，且价值总和最大。 输入描述 第一行为N(1≤N≤40)，W(1≤V≤1015)。 下面N行，第i行描述第i个物品的w[i] (1≤w[i]≤1015) ，c[i] (1≤v[i]≤1015)，用一个空格分隔。 输出描述 输出只有一个数，最大总价值。 Input 3 225274242 70498827 830583485 72910089 759360759 8.
背包问题代码合集（C/C++）
m0_71934846的博客
02-11 5863
背包问题代码合集（C/C++）
动态规划解决各种背包问题
05-10
总之，动态规划是解决01背包问题的有效方法，通过构建状态转移方程和进行状态填充，我们可以找到最优的物品选择方案，从而达到背包价值最大化。这种思路不仅适用于01背包问题，还可扩展到完全背包、多重背包等问题，...
动态规划法求解0-1背包问题实验报告.pdf
06-05
总结来说，动态规划法求解0-1背包问题的关键在于构建正确的状态转移方程，并通过填表的方式逐步计算出所有子问题的最大价值。这种思想不仅可以应用于背包问题，还可以广泛应用于其他优化问题，如最长公共子序列、...
动态规划—表达式求最小值,添加括号
11-19
对于给定的表达式通过+和*来运算，求出最小值并添加括号
动态规划-背包问题1
08-03
总结来说，0-1背包问题是一个典型的动态规划问题，其核心在于利用最优子结构和重叠子问题的特性，通过递归公式构建并填充一个二维数组，以找到背包容量限制下的最大价值解决方案。在实现过程中，通过跳跃点优化可以...
动态规划求解找零问题和背包问题C++代码
01-21
01背包问题是一个经典的动态规划问题，目标是在给定容量的背包中选择物品，使得物品的总价值最大化，但每个物品只能选择一次。这个问题同样采用动态规划的自底向上策略来解决。 1. 定义状态：`V[i][j]`表示前`i`个...
python背包问题求最大价值 | 动态规划
lijiamingccc的博客
03-22 2474
目录背包问题--问题描述解决步骤1.建立行(物品)-列(容量)矩阵2.分析物品2 3 4出现后，矩阵变化3. 得到状态转移方程 背包问题–问题描述 解决步骤 1.建立行(物品)-列(容量)矩阵 == w为物品体积矩阵== 首先将背包的容量作为列，物品作为行 当物品1出现时：(体积为3，价值为1) 在背包容量为3时可以装下物品1，此时背包的最大价值为1 2.分析物品2 3 4出现后，矩阵变化 当物品2出现时：(体积为4，价值为5) 背包容量为4时，既可以容纳物品1，也可以容纳物品2，两者取极大值ma
动态规划——完全背包问题(公式推导，组合、排列)
weixin_47257473的博客
12-08 2348
本文章主要介绍了完全背包的相关问题，包括完全背包的核心代码，递推公式的推导过程，以及利用背包问题求解组合和排列数的相关问题及区别
算法设计方法4：动态规划经典例题总结
何哥的博客
03-05 4435
前言：各大公司关于动态规划的笔试题太多了，必须得掌握。上篇文章提过，使用动态规划的五大步骤： 1. 判题题意是否为找出一个问题的最优解 2. 将原问题分解为子问题 3. 从下往上分析问题 ，找出这些问题之间的关联（状态转移方程），如何从一个或多个已知状态求出另一个未知状态的值。（递推型） 4. 讨论底层的边界问题，确定一些初始状态（边界状态）的值，并用数组存储初始子问题的解 5. 解决问题（通...
动态规划刷题个人总结
jkkk_的博客
08-11 229
其实j代表的并不是索引，而要理解为状态，我们根据下一字符来决定转移到哪个状态假设我们匹配的字符串为"ABABC",开始匹配时pat处于初始0状态，5状态表示终止状态，如果遇到除ABC之外的字符直接转移到0状态要确定状态转移的行为，得明确两个变量，一个是当前的匹配状态，另一个是遇到的字符；确定了这两个变量后，就可以知道这个情况下应该转移到哪个状态。...
算法问题——背包问题
庄小焱
08-01 661
博客来源于：https://blog.csdn.net/lanyu_01/article/details/79815801 问题描述： 一个背包的总容量为V,现在有N类物品,第i类物品的重量为weight[i],价值为value[i] 那么往该背包里装东西,怎样装才能使得最终包内物品的总价值最大。这里装物品主要由三种装法： 1、0-1背包：每类物品最多只能装一次 2、多重背包：每类物品都有个数限制，第i类物品最多可以装num[i]次 3、完全背包：每类物品可以无限次装进包内 一、0—1背包 思路分析

“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