动态规划——完全背包问题

问题的描述

完全背包问题

有$N$种物品和一个容量是$V$的背包，每种物品都有无限件可用。
第$i$种物品的体积是 $v_i$，价值是$w_i$。

求解将哪些物品装入背包，可使这些物品的总体积不超过背包容量，且总价值最大。
输出最大价值。

数据具体内容

输入格式

第一行两个整数，$N$，$V$，用空格隔开，分别表示物品种数和背包容积。
接下来有$N$行，每行两个整数 $v_i,w_i$，用空格隔开，分别表示第$i$种物品的体积和价值。

输出格式

输出一个整数，表示最大价值。

数据范围

$0<N,V\le 1000$
$0<v{i}_{,}{w}_i\le 1000$

输入样例

4 5
1 2
2 4
3 4
4 5

输出样例：

10

动态规划的朴素做法

代码

//三维代码
#include <iostream>
#include <algorithm>

using namespace std;

const int N = 1010;

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

int main()
{
    // get inputting
    cin >> n >> m;
    for(int i = 1; i <= n; i++)
    {
        cin >> v[i] >> w[i];
    }
    
    // Dynamic programming
    for(int i = 1; i <= n; i++)
    {
        for(int j = 0; j <= m; j++)
        {
            for(int k = 0; k * v[i] <= j; k++)
            {
                f[i][j] = max(f[i][j], f[i-1][j - k * v[i]] + k * w[i]);
            }
        }
    }
    
    // output
    cout << f[n][m] << endl;
    return 0;
}

解题逻辑梳理

1. 同01背包问题不同的是，完全背包问题中每个物品的数量是不限的，因此对物品$i$，想拿多少就拿多少。因此不能将$f(i,j)和f(i-1,j)$之间的关系简单的分为，拿第$i$件物品和不拿第$i$件物品了，而是要对拿$0-n$件物品$i$都逐一进行分析。
2. $f(i,j)$依旧代表在有$i$种物品，背包空间为$j$的情况下，所有的可行解的物品总价值的集合。
3. 按照01背包问题的情况分类规则，对完全背包问题也采用相同的分析方法。
   • 只考虑是否拿第$i$个物品的情况，拿了不同个数的$i$种类物品，关系式应该如何表示。其情况可以分为，分别拿了$i$种物品$0,1,2,...,n$件进入背包。那么就有关系式 f ( i , j ) = { f ( i − 1 , j − k ∗ v [ i ] ) + k ∗ w [ i ] ∣ k = 0 , 1 , 2 , . . . , n } f(i, j) = \{f(i-1, j-k*v[i]) +k*w[i]|k=0,1,2,...,n\} f(i,j)={f(i−1,j−k∗v[i])+k∗w[i]∣k=0,1,2,...,n}
   • 由于每种物品都是无限多个，最少情况下是拿$0$个，最多则可以一直拿，拿到背包装不下为止，因此拿取物品的个数$k$（整数）必须满足$k>=0$和$j>=k\ast v[i]$两个条件。
   • $f(i,j)$是所有可行方案的集合，题中所求的是具有最大总价值的选择方法的最大总价值是多少，即$max(f(i,j))$。

二维动态规划

代码

//二维解答
#include <iostream>
#include <algorithm>

using namespace std;

const int N = 1010;

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

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

解题逻辑梳理

1. 二维的代码是在朴素做法的基础上得到的，因此基本思想还是朴素做法不变，只是在朴素做法的基础上作等价代换，使得表示上更加简单。
2. 在朴素做法中，有关系式
   f ( i , j ) = { f ( i − 1 , j − k ∗ v [ i ] ) + k ∗ w [ i ]   ∣   k = 0 , 1 , 2 , . . . , n } f(i, j) = \{f(i-1, j-k*v[i]) +k*w[i]~|~k=0,1,2,...,n\} f(i,j)={f(i−1,j−k∗v[i])+k∗w[i] ∣ k=0,1,2,...,n}，因此可以推导出 f ( i , j − v [ i ] ) = { f ( i − 1 , j − k ∗ v [ i ] ) + ( k − 1 ) ∗ w [ i ]   ∣   k = 1 , 2 , 3 , . . . , n } f(i, j-v[i]) = \{f(i-1, j-k*v[i]) + (k-1)*w[i]~|~k = 1, 2, 3, ..., n\} f(i,j−v[i])={f(i−1,j−k∗v[i])+(k−1)∗w[i] ∣ k=1,2,3,...,n}。
   那么可以看出$f(i,j)$除了$k=0$时候的表达式，剩下的$k=1,2,3,...,n$时候的余项等于$f(i,j-v[i])+w[i]$
   因此我们就得到了一套新的关系式，即：
   f ( i , j ) = { f ( i − 1 , j ) , f ( i , j − v [ i ] ) + w [ i ] } f(i,j) = \{f(i-1,j), f(i, j - v[i]) +w[i]\} f(i,j)={f(i−1,j),f(i,j−v[i])+w[i]}
3. 可以看到在这个过程中，k消失了，因此就将k的循环删去，成功实现了降维。但是，我们可以明显发现，在降维的公式中，$j$必须大于$v[i]$的时候，二维关系式才成立。因此需要对$j$在小于和大于$v[i]$时候分情况讨论。

一维动态规划

代码

//一个维修改
#include <iostream>
#include <algorithm>

using namespace std;

const int N = 1010;

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

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

解题逻辑梳理

1. 从二维到一维的过程实际和01背包问题从二维向一维转换有着异曲同工之妙，但是也有一定的差异。二维到一维的优化也是建立在等价变换的基础上的。
2. 首先尝试对代码减少一个维度，因为同01背包问题类似，在考虑完全背包问题时，也是只考虑了对前$i$种物品和前$i-1$种物品考虑选择方案得到的结果之间的关系。因此，也选择消去$i$这个维度。
3. 由于$f[j]=max(f(j,j-v[i])+w[i])$,可以知道需先求出$f(i,j-v[i])$，而后根据$f(i,j-v[i])$求算$f(i,j)$。因此，$j$是依次增大的循环。并且由于$j>=v[i]$，所以$j$从$v[i]$开始循环，到最大值结束。