一.01 背包
有n件物品和一个最多能背重量为w 的背包。第i件物品的重量是weight[i],得到的价值是value[i] 。每件物品只能用一次,求解将哪些物品装入背包里物品价值总和最大。完全背包问题即是01背包问题的拓展:01背包每种重量的物品数量是有限的,而完全背包是无限的。
二.用动态规划解决01背包问题
1.确定dp数组并理解含义
动态规划的本质是将一个大的问题一步步向下缩减为一个小问题,再由小问题得到的结果去解决大一点的问题。
对01背包问题可以这样理解。由于有n个物品往容量为w的背包里面去装,现在假设有第n个物品要往背包里面放,前面的n-1件物品已经处理完毕(放或者不放已经确定)。那么为了让最后的价值和最大,这第n件物品是放还是不放呢?如果要放,那么对于前n-1件物品而言,使用的空间自然要尽可能的大(因为要让最后的价值最大),所以给前n-1件物品使用的空间为w-weight[n];如果不放,那么前n-1件物品使用的空间为w。
所以对于dp数组的构建,考虑两个维度,定义为int dp[n][w+1]。n的意思是有n件物品,从上往下,一个一个考虑加不加物品i,所以第i行的含义就是在对应容量下前i个物品能达到的最大价值;w+1的意思是有0-w的w+1个容量值。所以,最后要求的就是dp[n-1][w]的值。
2.递推公式
由上面的分析可知,对于dp数组中的值,有两个待选值,即选该物品和不选该物品的结果,从中取最大值即可。
dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i])
3.dp数组初始化
首先是背包容量为0。那么不管多少个物品最后的价值必然只会是0。
其次要选一个物品作为第一个放入的物品,那么为了方便选择物品0,所以数组的第一行即是只有物品0的情况。
4.遍历dp数组
由递推公式我们可以发现,每次求dp[i][j]的时候,我们只用到了dp数组中左上方和正上方的结果,那么,从按行上往下遍历和按列从左往右遍历都是可以的。
另外,还可以发现,每次只用到了上一行的数据,那么二维的dp数组自然可以转变成一维的dp数组。
01背包二维dp:
#include <bits/stdc++.h>
using namespace std;
int main() {
int n, bagweight;// bagweight代表行李箱空间
cin >> n >> bagweight;
vector<int> weight(n, 0); // 存储每件物品所占空间
vector<int> value(n, 0); // 存储每件物品价值
for(int i = 0; i < n; ++i) {
cin >> weight[i];
}
for(int j = 0; j < n; ++j) {
cin >> value[j];
}
// dp数组, dp[i][j]代表行李箱空间为j的情况下,从下标为[0, i]的物品里面任意取,能达到的最大价值
vector<vector<int>> dp(weight.size(), vector<int>(bagweight + 1, 0));
// 初始化, 因为需要用到dp[i - 1]的值
// j < weight[0]已在上方被初始化为0
// j >= weight[0]的值就初始化为value[0]
for (int j = weight[0]; j <= bagweight; j++) {
dp[0][j] = value[0];
}
for(int i = 1; i < weight.size(); i++) { // 遍历科研物品
for(int j = 0; j <= bagweight; j++) { // 遍历行李箱容量
if (j < weight[i]) dp[i][j] = dp[i - 1][j]; // 如果装不下这个物品,那么就继承dp[i - 1][j]的值
else {
dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]);
}
}
}
cout << dp[n - 1][bagweight] << endl;
return 0;
}
01背包一维dp :
// 一维dp数组实现
#include <iostream>
#include <vector>
using namespace std;
int main() {
// 读取 M 和 N
int M, N;
cin >> M >> N;
vector<int> costs(M);
vector<int> values(M);
for (int i = 0; i < M; i++) {
cin >> costs[i];
}
for (int j = 0; j < M; j++) {
cin >> values[j];
}
// 创建一个动态规划数组dp,初始值为0
vector<int> dp(N + 1, 0);
// 外层循环遍历每个类型的研究材料
for (int i = 0; i < M; ++i) {
// 内层循环从 N 空间逐渐减少到当前研究材料所占空间
for (int j = N; j >= costs[i]; --j) {
// 考虑当前研究材料选择和不选择的情况,选择最大值
dp[j] = max(dp[j], dp[j - costs[i]] + values[i]);
}
}
// 输出dp[N],即在给定 N 行李空间可以携带的研究材料最大价值
cout << dp[N] << endl;
return 0;
}
5.完全背包
对于完全背包问题,其与一般01背包的区别只有每种价值的物品个数是无限的。那么,在将背包的容量不断扩大的时候,对第n个物品而言,可以装1个,2个,3个...。所以不同于一般01背包,在遍历二维dp数组第i行时,对于不放的情况,仍然是dp[i-1][j];但是,对于放的情况,可使用的空间大小w-weight[i]不仅会被前i-1种物品使用,还会被k个物品i使用,这里的k=(w-weight[i])%costs[i]。因此,对于第二种情况,对应的dp值是dp[i][j - weight[i]] + value[i],而不是dp[i-1][j - weight[i]] + value[i]。这便是和一般01背包的最根本的区别。
但是,对于完全背包而言,先遍历物品和先遍历背包是有区别的。以lc518的零钱兑换为例,先遍历物品是组合问题,而先遍历背包则是排列问题。
完全背包二维dp
// 先遍历物品,在遍历背包
void test_CompletePack() {
vector<int> weight = { 1, 3, 4 };
vector<int> value = { 15, 20, 30 };
int bagWeight = 4;
vector<vector<int>> dp(weight.size(), vector<int>(bagWeight + 1, 0));
//初始化
for (int i = 0; i <= bagweight; i++) {
dp[0][i] = (i / weight[0]) * value[0];
}
for (int i = 0; i < weight.size(); i++) { // 遍历物品
for (int j = 0; j <= bagWeight; j++) { // 遍历背包容量
if (j < weight[i]) dp[i][j] = dp[i - 1][j];
else dp[i][j] = max(dp[i - 1][j], dp[i][j - weight[i]] + value[i]);//情况2是i行
}
}
cout << dp[weight.size() - 1][bagWeight] << endl;
}
int main() {
test_CompletePack();
}
完全背包一维dp
// 先遍历物品,在遍历背包
void test_CompletePack() {
vector<int> weight = {1, 3, 4};
vector<int> value = {15, 20, 30};
int bagWeight = 4;
vector<int> dp(bagWeight + 1, 0);
for(int i = 0; i < weight.size(); i++) { // 遍历物品
for(int j = weight[i]; j <= bagWeight; j++) { // 遍历背包容量
dp[j] = max(dp[j], dp[j - weight[i]] + value[i]);
}
}
cout << dp[bagWeight] << endl;
}
int main() {
test_CompletePack();
}