动态规划-完全背包问题

1. 问题

1.1 建模

解是一个向量：<x₁，x₂，…，x_n>
x_i 是装入背包的第 i 种物品的个数
目标函数：max${\sum }_{i=1}^n$v_ix_i
约束条件：${\sum }_{i=1}^n$w_ix_i <=b

把问题分个类就是如图

1.2 动态规划算法

1.2.1 子问题界定

设定两个参数k，y
k：考虑对物品1，2，…，k的选择
y：背包总重量不超过y

那么我们该问题就是当 k = n，y = b时最好的解法

1.2.2 子问题计算顺序

先给出k，当k确定以后，y再由小到大增长

• k = 1，2，…，n
• 对于给定的k，y = 1，2，…，b

1.2.3 优化函数的递推方程

1.2.3.1 递推方程

设F_k(y)为：装前k种物品，总重不超过y，背包达到的最大价值

• F_k(y) = max{F_k-1(y)，F_k(y-w_k)+v_k}
  • 注意： max里面第二项写的不是F_k-1，而是F_k，max函数里面第二项其实是 对F_k(y)这个函数的递归 ，这个递推的范围是只挑一个第k种物品到全部都挑第k种物品
  • 分几种情况，分别为：
    1. F_k(y) = max{F_k-1(y)，F_k(y - w_k) + v_k}
    2. F_k(y) = max{F_k-1(y)，F_k(y - w_k) + v_k}
       只装1个第k种物品
    3. 当 F_k(y-w_k) = max{F_k-1(y-w_k)，F_k(y - w_k - w_k) + v_k} 时
       F_k(y)
       = max{F_k-1(y)，F_k(y - w_k) + v_k}
       = max{F_k-1(y)，F_k(y - w_k - w_k) + v_k + v_k}
       即装2个第k种物品
    4. 装4个、5个…第k种物品以此类推
• F₀(y) = 0,0<=y<=b
• F_k(0) = 0,0<=k<=n
• F₁(y) = $\lfloor y/w_1\rfloor$v₁
• F_k(y) = $-\infty$，y<0
  • 当重量小于0的时候，令其最大价值为$-\infty$，若不为$-\infty$，比如说为0，那么在max里面比较的时候就有可能max中的第二项，不符合实际 （选择了超重的那一项）

1.2.3.2 该递推方程和投资问题递推方程的不同之处

递推方程1号

按照投资问题那种形式来写递推方程2号

第k种物品用x_k个，然后…

递推方程1号的时间复杂度会更小

• 对1号递推方程分析
  1. 记得我们的顺序，对k从小到大，然后在k给定的时候，对y从小到大，所以1号递推方程max中的第一项已经被计算过的，可以直接查
  2. 1号方程max中第二项虽然k一样，但是递归的时候，y的值会不断变小，比如一开始y = 5，递归一次y = 4，再递归变成 y = 3…，那么这些值也都是计算过的，可以直接查
  3. 所以1号方程递归一次只需要找到max 第一项F_k-1(y) 、找到max第二项中的F_k(y - w_k)，然后做一次加法（给F_k(y - w_k)加上v_k），然后再做一次比较就可以了，是常数阶别的
• 对2号递推方程分析
  1. 首先先回顾一下投资问题的递推方程
     
     这里只涉及到2个维度：项目种数，每个项目的收益
     相比之下，背包问题的2号递推方程
     
     涉及到3个维度：物品种数，每个物品价值，每个物品重量
     他们递推方程的不同之处在于F_k-1项里面一个直接减去x_k，一个减去x_kw_k
     所以要把背包问题和投资问题分为两个问题来讲
  2. 分析递推方程，由于w这个维度的出现，至少递推方程里面要多一个对w的遍历，遍历次数至少与n是相关的，所以时间复杂度较对号递推方程高

1.2.4 标记函数

• 设标记函数为i_k(y)：装前k种物品。总重不超过y，背包达到最大价值时装入物品的最大标号
  • 最大标号的意思是，比如此时在背包里面，你选的只有1号物品，2号物品，5号物品，那么最大标号就是5

• 没有选第k种物品的时候，最大标号就等于装前k-1种物品，重量仍不超过y的最大标号
• 当选第k种物品的时候，最大标号就是k
• 当只考虑第1种物品的时候，对应方程写在第二行

为什么要考虑“只考虑第1种物品”的时候呢？
通过i_k(y)的方程我们可以发现，i_k(y)是跟着F_k(y)一起递归的，那么函数参数y的值就有可能变的非常小，我们要考虑递归的出口，所以要考虑

1.2.5 实例

1.2.5.1 求F_k(y)表、i_k(y)表

• 方程写到这里方便看
  
  
  先k = 1，y从小到大
  然后k = 2，y从小到大…

1. • 求F₁(1)
     F₁(1) = $\lfloor 1/2\rfloor$×1 = 0
   • 求i₁(1)
     i₁(1) = 0
     （当 k = 1的时候都用第二个图的第二行求的i）
2. • 求F₁(2)
     F₁(2) = max{F_1-1(2)，F₁(2-2) + 1}
     即max{F₀(2)，F₁(0) + 1} = max{0，1} = 1
   • 求i₁(2)
     i₁(2) = 1
     （同上）
3. • 求F₁(3)
     F₁(3) = max{F_1-1(3)，F₁(3-2) + 1}
     即max{F₀(3)，F₁(1) + 1} = max{0，1} = 1
   • 求i₁(3)
     i₁(3) = 1
     （同上）
4. …
5. • 比如求F₂(3)
     F₂(3) = max{F_2-1(3)，F₂(3-3) + 3}
     即max{F₁(3)，F₂(0) + 3} = max{1，3} = 3
   • 求i₂(3)
     因为F_k-1(y) = F₁(3) = 1
     F_k(y - w_k) = F₂(3 - 3) = F₂(0) = 0 < F_k-1(y)
     所以i₂(3) = k =2
6. …

我们也可以看出来

• 求F的时候，虽然max中第二项是递归，但是每层递归都是已经被计算好的
• 求i的时候，同样可以使用前面已经计算过的值

最终结果
F表

i表

1.2.5.2 追踪解

1.2.5.2.1 追踪过程

1. 求i_n(b)
   即i₄(10) = 4
   那么 x₄ >= 1
   原因：i的值等于4说明第4号物品被用过了，所以次数大于等于1，如果下一步求的 i 的值仍然为4，那么就说明第四号物品又被用了一遍，那么x₄就应该大于等于2（不过这个例子中下一步求的 i 的值不是4，说明第四号物品只被用了一次）

2. • y的值 y = 10 - w₄ = 3 （第四号物品被用了一次，那么背包还剩下多少重量可以装？所以用10 - w₄）
   • 这一步k的值仍为4 （除去上一步那个第四号物品，再考虑前4种物品中，背包重量为3的时候用的物品最大标号是多少呢）

   所以这一步求的是 i₄(3) = 2
   那么 x₂ >= 1，x₄ = 1，x₃ = 0

3. 在上一步中，得出的结果是2，说明在刚刚的情况下，前4种物品中最大编号为2，说明这一步我们只考虑前2种物品就行了，然后y值同上一样减去1个第2种物品的重量 即 k = 2，y = 3 - w₂ = 0
   所以这一步求i₂(0) = 0
   那么x₂ = 1，x₁ = 0

综上，x₁ = 0，x₂ = 1，x₃ = 0，x₄ = 1，价值为12

1.2.5.2.2 追踪算法

注意： 这里算法只是追踪的算法，不是整个背包问题的算法

步骤详解：
1.先把所有种类的物品初值置为0
2.从最后开始追踪
3.在考虑前j种物品的时候，把物品的最大标号赋值给新的 j，为了方便描述我叫这个新赋值的j称为j_新，
（如此以来，下一次考虑的时候就是前j_新 种物品了）
4.上一步的值为 j_新，说明第 j_新 种物品先装了1个，所以赋初值给 x_j新 为 1
5.减去第 j_新 种物品的重量
6.7.8. 如果最大物品编号仍然是j_新，那么再减去第 j_新 种物品的重量1次，并且说明这个物品又在背包里出现一次，x_j新 = x_j新+1
9.如果最大物品编号不是刚刚的 j_新，并且不是 0 ，那么就回到步骤3，考查下一个 j

1.2.6 时间复杂度

备忘录里面一共有 nb 项
计算其中一个项的公式

需要常数时间（上面推算过，因为每一个项都可以在前面一点的备忘录里找到）
所以理论上来说时间复杂度为O(nb)