问题描述:
- 给定一个物品集合s={1,2,3,…,n},物品i的重量是wi,其价值是vi,背包的容量为W,即最大载重量不超过W。在限定的总重量W内,我们如何选择物品,才能使得物品的总价值最大。
- 如果物品不能被分割,即物品i要么整个地选取,要么不选取;
- 不能将物品i装入背包多次,也不能只装入部分物品i,则该问题称为0—1背包问题。
- 如果物品可以拆分,则问题称为背包问题,适合使用贪心算法。
算法分析:
假设xi表示物品i装入背包的情况,xi=0,1。
- 当xi=0时,表示物品没有装入背包;
- 当xi=1时,表示把物品装入背包。
因此问题就归结为找到一个满足上述约束方程,并使目标函数达到最大的解向量:
X={x1,x2,…,xn},
递归关系分析:
- 0—1背包问题具有最优子结构性质,设所给0—1背包问题的子问题:
-
i≤k≤n的最优值为p(i,j)。
-
是背包容量为j,可选物品为i,i+1,…,n时0-1背包问题的最优值。
-
建立计算p(i,j)的递归式如下:
样例分析:
背包的容量为5.
m[2][1]=max(m[3][1],m[3][0]+10)=10;
m[2][2]=max(m[3][2],m[3][1]+10)=15;
m[2][3]=max(m[3][3],m[3][2]+10)=25;
m[2][4]=max(m[3][4],m[3][3]+10)=30;
m[2][5]=max(m[3][5],m[3][4]+10)=35;
m[1][5]=max(m[2][5],m[2][3]+12)=37;
//计算0-1背包问题的动态规划算法
#define NUM 50 //物品数量的上限
#define CAP 1500 //背包容量的上限
int w[NUM]; //物品的重量
int v[NUM]; //物品的价值
int p[NUM][CAP]; //用于递归的数组
//形参c是背包的容量W,n是物品的数量
void knapsack(int c, int n)
{
//计算递推边界
int jMax=min(w[n]-1,c); //分界点
for( int j=0; j<=jMax; j++) p[n][j]=0;
for( int j=w[n]; j<=c; j++) p[n][j]=v[n];
for( int i=n-1; i>1; i--) //计算递推式
{
jMax=min(w[i]-1,c);
for( int j=0; j<=jMax; j++)
p[i][j]=p[i+1][j];
for(int j=w[i]; j<=c; j++)
p[i][j]=max(p[i+1][j], p[i+1][j-w[i]]+v[i]);
}
p[1][c]=p[2][c]; //计算最优值
if (c>=w[1]) p[1][c]=max(p[1][c], p[2][c-w[1]]+v[1]);
}
算法时间复杂度:
主要是计算数组p的时间,其时间复杂度为O(nW)
计算0-1背包问题的最优解:
void traceback( int c, int n, int x[ ])
{
for(int i=1; i<n; i++)
{
if (p[i][c]==p[i+1][c]) x[i]=0;
else { x[i]=1; c-=w[i]; }
}
x[n]=(p[n][c])? 1:0;
}