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;
}
代码说明:
- completeKnapsack函数接受背包最大容量W、物品重量向量weights和物品价值向量values。
- 使用动态规划数组dp存储各状态下的最大价值。
- 第一层循环遍历每种物品,第二层循环遍历背包容量并更新dp数组。
- 最终返回dp[W],即在给定容量下的最大价值。
复杂度分析:
时间复杂度为O(n * W),其中n为物品数量,W为背包容量;空间复杂度为O(W),由于采用了一维数组dp。