背包相关问题

背包问题是一种经典的组合优化问题，通常表述为：给定一组物品，每种物品有一个重量和一个价值，以及一个容量有限的背包。目标是在不超过背包容量的前提下，选择物品放入背包，使得背包内物品的总价值最大。背包问题有许多变体，但核心思想都是如何在资源限制下做出最优决策。以下是一些常见的背包问题类型：

1. 0/1 背包问题：物品不可分割，即要么完全放入背包，要么不放（取值为0或1）。

   • 约束条件：背包总容量 W。
   • 决策变量：对于第 i 个物品，xi​∈{0,1}，表示是否选择该物品放入背包。
   • 目标函数：最大化背包内物品总价值 V=​​​，其中 vi​ 是第i 个物品的价值。

2. 完全背包问题：

   • 同样假设物品不可分割，但每种物品有无限数量可用。
   • 约束条件：同上，背包总容量 W。
   • 决策变量：对于第 i 个物品，可以取任意非负整数，表示放入背包的该物品数量。
   • 目标函数：同上，最大化背包内物品总价值 V=​​​。

3. 多重背包问题：

   • 每种物品有固定的数量限制 bi​，不能超过这个数量。
   • 约束条件：背包总容量 W 和每种物品的数量上限 bi​。
   • 决策变量：对于第 i 个物品，0≤xi​≤bi​，表示放入背包的该物品数量。
   • 目标函数：同上，最大化背包内物品总价值 V=​​​​​​​​​​​。

4. 部分背包问题：

   • 物品可以被部分放入背包，即可以只取部分数量，而非全取或不取。
   • 约束条件：背包总容量 W。
   • 决策变量：对于第 i 个物品，0≤xi​≤wi​，表示放入背包的该物品重量。
   • 目标函数：同上，最大化背包内物品总价值 V=∑i=1n​vi​xi​，其中 wi​ 是第 i 个物品的重量。

解决背包问题常采用动态规划方法。以0/1背包问题为例，可以定义一个二维数组dp[i][w] 表示在前 i 个物品中，背包容量为 w 时能获得的最大价值。动态规划状态转移方程如下：

[ dp[i][w] = \max\left( \begin{array}{l} dp[i-1][w], \ dp[i-1][w-w_i] + v_i \end{array} \right) ]

解释：在物品 i 的决策时刻，可以选择不取该物品（保留前 i−1 个物品的最大价值），或者取该物品（牺牲 wi​ 容量，加上物品 i 的价值）。最终答案即 dp[n][W]。

针对不同类型的背包问题，动态规划的维度和状态转移方程会有所调整。此外，对于一些特殊结构的问题或大规模数据，可能需要使用贪心策略、回溯搜索、分支限界等其他算法来求解。

下面是一个使用动态规划解决0/1背包问题的Python示例：

Python

1def knapsack_01(weights, values, capacity):
2    n = len(weights)
3    dp = [[0 for _ in range(capacity + 1)] for _ in range(n + 1)]
4
5    for i in range(1, n + 1):
6        for w in range(1, capacity + 1):
7            if weights[i - 1] <= w:
8                dp[i][w] = max(dp[i - 1][w], dp[i - 1][w - weights[i - 1]] + values[i - 1])
9            else:
10                dp[i][w] = dp[i - 1][w]
11
12    return dp[n][capacity]
13
14# 示例
15weights = [2, 3, 4, 5]
16values = [6, ½, 10, 16]
17capacity = 7
18
19max_value = knapsack_01(weights, values, capacity)
20print("最大价值：", max_value)

定义了一个名为knapsack_01的函数，它接受物品的重量列表、价值列表以及背包容量作为参数，返回能装入背包的最大价值。在代码中，动态规划表 dp 的大小为 (n+1) x (capacity+1)，其中 n 是物品数量，capacity 是背包容量。通过双重循环计算出每一项 dp[i][w] 的值，最后返回 dp[n][capacity] 即为所求的最大价值。

收起