背包问题详细介绍

激昂～逐流

已于 2024-08-11 17:03:06 修改

阅读量452

点赞数 18

分类专栏： Leetcode 文章标签： 01背包问题 leetcode c++ 完全背包问题

于 2024-08-11 15:45:35 首次发布

本文链接：https://blog.csdn.net/qq_71286244/article/details/141106492

版权

Leetcode 专栏收录该内容

14 篇文章 0 订阅

订阅专栏

一. 01背包问题

01背包问题是经典的动态规划问题，适合用动态规划求解。问题描述为：给定一个容量为W的背包和n个物品，每个物品有重量和价值，目标是选择物品以最大化背包中的总价值，同时不超过容量W。

问题定义：

输入：

W：背包容量
weights：物品重量数组
values：物品价值数组

输出：

最大价值总和，且装入背包的物品总重量不超过W。

动态规划思路：

状态定义：dp[i][j]表示前i个物品在容量为j时的最大价值。
状态转移：

不选择第i个物品：dp[i][j] = dp[i-1][j]
选择第i个物品（前提是重量不超过j）：dp[i][j] = dp[i-1][j-weights[i-1]] + values[i-1]

综合：

dp[i][j] = {
  dp[i-1][j], 如果 weights[i-1] > j
  max(dp[i-1][j], dp[i-1][j-weights[i-1]] + values[i-1]), 否则
}

初始化：dp[0][j] = 0（无物品时最大价值为0），dp[i][0] = 0（容量为0时最大价值也为0）。

C++ 示例代码：

#include <iostream>
#include <vector>
#include <algorithm>

using namespace std;

int knapsack(int W, const vector<int>& weights, const vector<int>& values) {
    int n = weights.size();
    vector<vector<int>> dp(n + 1, vector<int>(W + 1, 0));

    for (int i = 1; i <= n; i++) {
        for (int j = 0; j <= W; j++) {
            if (weights[i - 1] <= j) {
                dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weights[i - 1]] + values[i - 1]);
            } else {
                dp[i][j] = dp[i - 1][j];
            }
        }
    }

    return dp[n][W];
}

int main() {
    int W;
    cout << "Enter backpack capacity: ";
    cin >> W;

    int n;
    cout << "Enter number of items: ";
    cin >> n;

    vector<int> weights(n), values(n);
    
    cout << "Enter weights of items: ";
    for (int i = 0; i < n; i++) {
        cin >> weights[i];
    }

    cout << "Enter values of items: ";
    for (int i = 0; i < n; i++) {
        cin >> values[i];
    }

    int maxValue = knapsack(W, weights, values);
    cout << "Maximum value in knapsack = " << maxValue << endl;

    return 0;
}

代码解析：

输入：从用户获取背包容量、物品数量及每个物品的重量和价值。
DP表：使用二维数组dp存储每步的最大价值。
状态转移：通过嵌套循环填充dp表，判断是否选择当前物品。
输出：最终输出在给定容量W的背包中可以携带的最大价值。

复杂度：

时间复杂度：O(n×W)，其中n为物品数量，W为背包容量。
空间复杂度：O(n×W)，用于存储DP表，但可以通过优化将空间复杂度降至O(W)。

优化空间：

利用滚动数组的方法，只需保留当前和上一个状态，将空间复杂度降为O(W)。

二.完全背包问题

完全背包问题（Complete Knapsack Problem）是经典的动态规划问题，定义如下：

给定n种物品，每种物品的重量为w[i]，价值为v[i]，每种物品可以无限次使用。在不超过最大重量W的前提下，最大化背包中物品的总价值。

问题模型：

物品数量（n）：每种物品的数量是无限的
最大承载重量（W）
物品价值（v[i]）
物品重量（w[i]）

动态规划思路：

状态定义：dp[j]表示背包容量为j时的最大价值。
状态转移方程：对于每种物品，考虑将其放入背包。对于每个可能的容量j（从物品重量w[i]到W），更新状态：

dp[j] = max(dp[j], dp[j - w[i]] + v[i])

其中dp[j - w[i]]表示当前容量减去物品重量时的最大价值。
初始化：dp[0] = 0（当背包容量为0时，最大价值为0），其余dp[j]初始化为0。

C++实现：

以下是解决完全背包问题的C++代码示例：

#include <iostream>
#include <vector>
#include <algorithm>

using namespace std;

int completeKnapsack(int W, const vector<int>& weights, const vector<int>& values) {
    int n = weights.size();
    vector<int> dp(W + 1, 0);

    // 遍历每种物品  
    for (int i = 0; i < n; ++i) {
        // 遍历背包容量  
        for (int j = weights[i]; j <= W; ++j) {
            dp[j] = max(dp[j], dp[j - weights[i]] + values[i]);
        }
    }

    return dp[W]; // 返回最大价值  
}

int main() {
    int W = 10; // 背包最大容量  
    vector<int> weights = {2, 3, 4}; // 物品重量  
    vector<int> values = {3, 4, 5}; // 物品价值  

    int maxValue = completeKnapsack(W, weights, values);
    cout << "最大价值: " << maxValue << endl;

    return 0;
}