文章目录
前言
复习acwing算法基础课的内容,本篇为讲解基础算法:动态规划——背包问题,关于时间复杂度:目前博主不太会计算,先鸽了,日后一定补上。
一、动态规划
动态规划(Dynamic Programming,DP)是求解决策过程最优化的过程,个人认为是目前接触的所有算法里最绕的…
这里的题目的解题方法来自于:y总的闫氏dp分析法
二、例题,代码
AcWing 2. 01背包问题
本题链接:AcWing 2. 01背包问题
本博客提供本题截图:
本题解析
AC代码
#include <iostream>
#include <algorithm>
using namespace std;
const int N = 1010;
int v[N]; //体积
int w[N]; //价值
int f[N][N]; // f[i][j], j体积下前i个物品的最大价值
int main()
{
int n, m;
cin >> n >> m;
for (int i = 1; i <= n; i ++ ) cin >> v[i] >> w[i];
for (int i = 1; i <= n; i ++ )
for (int j = 1; j <= m; j ++ )
{
f[i][j] = f[i - 1][j]; //不装这个第i件物品
if (j >= v[i]) //如果可以装第i件物品
f[i][j] = max(f[i][j], f[i - 1][j - v[i]] + w[i]);
}
cout << f[n][m] << endl;
return 0;
}
代码优化
我们把二维数组转为一维数组
这里先给出AC代码,然后去讲解其中的细节
#include <iostream>
#include <algorithm>
using namespace std;
const int N = 1010;
int n, m;
int v[N], w[N];
int f[N];
int main()
{
cin >> n >> m;
for (int i = 1; i <= n; i ++ ) cin >> v[i] >> w[i];
for (int i = 1; i <= n; i ++ )
for (int j = m; j >= v[i]; j -- )
f[j] = max(f[j], f[j - v[i]] + w[i]);
cout << f[m] << endl;
return 0;
}
首先去解释我们的数组f
,这里的f[j]
代表的是,在背包容量为j
的前提下的最优解
我们可以观察和第一个AC代码的最大差距就是对于我们的第二个for
循环,我们的第二个for
循环相当于是逆序的,这里来解释一下为什么是逆序:
对于二维数组的状态 (未优化版本),我们的状态f[i][j]
其实是由i - 1
这个状态表达出来的,我们可以理解为:小的数据是需要我们去保护的,不能被破坏的,因为我们在优化的过程中,其实动态规划的思维是没有改变的,即该题的实现方式是没有发生改变的,我们只是用了一种更为高效的方式去优化我们的代码,故我们需要维护小的数据,即从大到小去循环遍历,保护我们的小数据,简单来说的话,就是我们如果正序遍历,我们的小数据会被【破坏】,但是我们的大数据是由小数据得到的,故我们为了防止小数据被【破坏】,我们采用逆序的遍历更新方式。
AcWing 3. 完全背包问题
本题链接:AcWing 3. 完全背包问题
本博客提供本题截图:
本题解析
TLE代码
#include <iostream>
#include <cstdio>
#include <algorithm>
using namespace std;
const int N = 1010;
int v[N], w[N];
int f[N][N];
int main()
{
int n, m;
cin >> n >> m;
for (int i = 1; i <= n; i ++ ) cin >>v[i] >> w[i];
for (int i = 1; i <= n; i ++ )
for (int j = 1; j <= m; j ++ )
for (int k = 0; v[i] * k <= j; k ++ )
f[i][j] = max (f[i][j], f[i - 1][j - k * v[i]] + k * w[i]);
cout << f[n][m] << endl;
return 0;
}
优化
AC代码
#include <iostream>
#include <algorithm>
using namespace std;
const int N = 1010;
int v[N], w[N];
int f[N][N];
int main()
{
int n, m;
cin >> n >> m;
for (int i = 1; i <= n; i ++ ) cin >> v[i] >> w[i];
for (int i = 1; i <= n; i ++ )
for (int j = 1; j <= m; j ++ )
{
f[i][j] = f[i - 1][j];
if (j >= v[i])
f[i][j] = max(f[i][j], f[i][j - v[i]] + w[i]);
}
cout << f[n][m] << endl;
return 0;
}
代码优化
有没有感觉这个代码似曾相识呢?可以回去对比一下01背包问题中的代码,我们可以惊讶的发现,完全背包问题和01背包问题的代码大致都一样,只有核心代码处有细小的差别:
f[i][j] = max(f[i][j], f[i - 1][j - v[i]] + w[i]);
01背包
f[i][j] = max(f[i][j], f[i][j - v[i]] + w[i]);
多重背包
所以我们可以按照01背包类似的优化方法去优化,这里注意,01背包问题中每一个f[i, j]
状态都是由f[i - 1, j]
得到的,这就是唯一和多重背包问题不同的地方,故我们的多重背包的优化即第二重循环为正序即可
#include <iostream>
#include <algorithm>
using namespace std;
const int N = 1010;
int v[N], w[N];
int f[N];
int main()
{
int n, m;
cin >> n >> m;
for (int i = 1; i <= n; i ++ ) cin >> v[i] >> w[i];
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]);
cout << f[m] << endl;
return 0;
}
AcWing 4. 多重背包问题
本题链接:AcWing 4. 多重背包问题
本博客提供本题截图:
本题解析
本题数据小,直接暴力枚举即可
AC代码
#include <iostream>
#include <algorithm>
using namespace std;
const int N = 110;
int f[N][N];
int v[N], w[N], s[N];
int main()
{
int n, m;
cin >> n >> m;
for (int i = 1; i <= n; i ++ ) cin >> v[i] >> w[i] >> s[i];
for (int i = 1; i <= n; i ++ )
for (int j = 0; j <= m; j ++ )
for (int k = 0; k <= s[i] && k * v[i] <= j; k ++ )
f[i][j] = max (f[i][j], f[i - 1][j - k * v[i]] + w[i] * k);
cout << f[n][m] << endl;
return 0;
}
AcWing 5. 多重背包问题 II
本题链接:AcWing 5. 多重背包问题 II
本博客提供本题截图:
本题解析
本题和上一题基本相同,但是如果还是暴力去做的话显然会TLE,这里我们采用二进制去优化:
比如,对于一个数1023
,如果我们进行正常的枚举的话需要枚举1024
次,但是如果我们把它拆成:
1 2 4 8 16 32 64 128 256 512
,这么10
组数字通过组合可以组合出1~1023
中所有的数字
那么对于一个随意的数字比如200
,我们也可以通过相同的方式进行拆解:
1 2 4 8 16 32 64 128 73
按照上述操作进行打包之后,我们只需要按照正常的01背包问题即可得到答案
AC代码
#include <iostream>
#include <algorithm>
using namespace std;
const int N = 25000, M = 2010;
int v[N], w[N];
int f[M];
int main()
{
int n, m;
int cnt = 0;
cin >> n >> m;
for (int i = 1; i <= n; i ++ )
{
int a, b, s;
cin >> a >> b >> s;
int k = 1;
while (k <= s)
{
cnt ++;
v[cnt] = a * k;
w[cnt] = b * k;
s -= k;
k *= 2;
}
if (s > 0)
{
cnt ++;
v[cnt] = a * s;
w[cnt] = b * s;
}
}
n = cnt;
for (int i = 1; i <= n; i ++ )
for (int j = m; j >= v[i]; j -- )
f[j] = max (f[j], f[j - v[i]] + w[i]);
cout << f[m] << endl;
return 0;
}
AcWing 9. 分组背包问题
本题链接:AcWing 9. 分组背包问题
本博客提供本题截图:
本题解析
这里直接发一维优化后的代码,注意到第i
个状态是由i - 1
状态推导而来的,故采用的是01背包问题的优化方式
AC代码
#include <iostream>
#include <algorithm>
using namespace std;
const int N = 110;
int v[N][N], w[N][N], s[N];
int f[N];
int main()
{
int n, m;
cin >> n >> m;
for (int i = 1; i <= n; i ++ )
{
cin >> s[i];
for (int j = 0; j < s[i]; j ++ )
cin >> v[i][j] >> w[i][j];
}
for (int i = 1; i <= n; i ++ )
for (int j = m; j >= 1; j -- )
for (int k = 0; k < s[i]; k ++ )
if (v[i][k] <= j)
f[j] = max (f[j], f[j - v[i][k]] + w[i][k]);
cout << f[m] << endl;
return 0;
}
三、时间复杂度
关于动态规划——背包问题的时间复杂度以及证明,后续会给出详细的说明以及证明过程,目前先鸽了。