【二维费用的完全背包问题】

前言

简单写一下算法设计与分析这门课的一次实验

原题要求是用0-1背包来做，但是老师要求用完全背包来做！

一、完全背包与0-1背包有什么区别？

0-1背包，顾名思义对于每件物品只能拿1次或者0次；而完全背包对于每件物品的拿取没有次数限制。

二、二维费用背包

二维费用背包是对于每件物品的拿取要付出两项代价，如：重量和体积。

三、0-1背包

理解0-1背包对我们理解其他背包问题十分重要，首先说一下0-1背包。
问题描述：
有n件物品，背包的最大承重是W,每个物品的重量是c[i]，价值为v[i]；定义状态f[i][w]为当前包内的可承重为w时，在前i件物品内选取得到的最大价值；
对于状态f[i][w]有两种选择：

1. 在背包当前承重允许的情况下选择第i件物品，那么原问题规约为在前i-1件物品选取得到重量不超过w-c[i]的最大价值的子问题，此时f[i][w]=f[i-1][w-c[i]]+v[i];
2. 不选择第i件物品，那么原问题规约为在前i-1件物品中选取得到重量不超过w的最大价值的子问题，此时f[i][w]=f[i-1][w]；

所以可以得到相应的状态转移方程：

f[i][w]=max(f[i-1][w],f[i-1][w-c[i]+v[i])

所以可以得到0-1背包问题的核心代码：

for(int i=1;i<=n;i++){
	for(int w=c[i];w<=W;w++){
	f[i][w]=max(f[i-1][w],f[i-1][w-c[i]]+v[i]);
	}
}

这里时间与空间复杂度均为O(V*n);时间复杂度已经无法继续优化，但空间复杂度可以。通过观察发现，类似滚动数组原理，可以将f[i][w]压缩成f[w]的一维数组，只需要维护这样的一维数组即可。
所以上面代码变成下面这样：

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

相信已经有小伙伴发现了这两段代码的区别不仅仅是数组了。第一段代码中第二层循环是正序的，而第二段代码中第二层循环变成逆序了。这里便是需要注意的地方。下面将给出说明：
当f是二维数组时，不管f[i][w]做出哪种选择都依赖上一行i-1行的结果,这时只要直接获取即可。当f为一维数组时，此时f数组还未刷新即对应二维数组i-1行，如果循环是顺序的话，当f[w]刷新后，如果后面的f[w’]需要i-1行的f[w]时，此时f[w]已经是i行的f[w],那么就会出错，因此需要逆序循环，这时候需要访问的f[w]都是未刷新前的。

四、完全背包

完全背包与0-1背包的区别已经说过，不再赘述。
对于f[i][w]有两种选择：

1. 不选择当前的第i件物品,原问题规约为在前i-1件物品中选取，此时f[i][w]=f[i-1][w];
2. 选择当前第i件物品，原问题规约为在前i件物品中选取，此时f[i][w]=f[i][w-c[i]]+v[i]；

f[i][w]=max(f[i-1][w],f[i][w-c[i]]+v[i])

这里直接给出压缩成一维数组后的核心代码

for(int i=1;i<=n;i++){
	for(int w=c[i];w<=W;w++){
	f[w]=max(f[w],f[w-c[i]]+v[i]);
	}
}

这里的第二层循环为什么是正序。这里做出解释：因为完全背包的特点，当选择第i件物品时，问题会变成在前i件物品中选取，不会变成0-1背包那样在前i-1件物品中选取，因此当计算f[w]时可能需要当前已经刷新后的f[w’]，即第i行的数据。

五、二维费用的完全背包问题

回到本次实验：
本次实验是二维费用下的完全背包问题。与一维相比也就是多了一层循环。该实验的完整代码如下：

//定义物品数据结构 
struct item{
    int w;//重量
    int c;//体积
    int v;//价值
}; 

int KnapsackProblem(item x[],int n,int W,int V){//物品数组，物品数量，重量上限，体积上限
                         
    //初始化
    dp[0][0]=0;
    for(int i=1;i<=n;i++){
        for(int w=x[i].w;w<=W;w++){
            for(int c=x[i].c;c<=V;c++){
            dp[w][c]=max(dp[w][c],dp[w-x[i].w][c-x[i].c]+x[i].v);
		    }   
        }
	}
    return dp[W][V];
}

KnapsackProblem（）函数的时间复杂度为O(nVW);

小结

关于背包问题有很多人的讲解。这是笔者第一次写博客，主要是自己的一些理解，如果有错误的地方希望能够给予指正。如果有其他建议也可以添加笔者的QQ:2736664064进行交流。