动态规划算法
1、动态规划算法介绍
-
动态规划(Dynamic Programming)算法的核心思想是:将大问题划分为小问题进行解决,从而一步步获取最优解的处理算法
-
动态规划算法与分治算法类似,其基本思想也是将待求解问题分解成若干个子问题,先求解子问题,然后从这些子问题的解得到原问题的解。
-
与分治法不同的是,适合于用动态规划求解的问题,经分解得到子问题往往不是互相独立的。 ( 即下一个子阶段的求解是建立在上一个子阶段的解的基础上,进行进一步的求解 )
-
动态规划可以通过填表的方式来逐步推进,得到最优解.
2、应用场景-背包问题
背包问题:有一个背包,容量为4磅 , 现有如下物品
- 要求达到的目标为装入的背包的总价值最大,并且重量不超出
- 要求装入的物品不能重复
- 思路分析和图解
-
背包问题主要是指一个给定容量的背包、若干具有一定价值和重量的物品,如何选择物品放入背包使物品的价值最大。其中又分01背包和完全背包(完全背包指的是:每种物品都有无限件可用)
-
这里的问题属于01背包,即每个物品最多放一个。而无限背包可以转化为01背包。
-
算法的主要思想,利用动态规划来解决。每次遍历到的第i个物品,根据w[i]和v[i]来确定是否需要将该物品放入背包中。即对于给定的n个物品,设v[i]、w[i]分别为第i个物品的价值和重量,C为背包的容量。再令v[i][j]表示在前i个物品中能够装入容量为j的背包中的最大价值。则我们有下面的结果:
(1) v[i][0]=v[0][j]=0; //表示 填入表 第一行和第一列是0
(2) 当w[i]> j 时:v[i][j]=v[i-1][j] // 当准备加入新增的商品的容量大于 当前背包的容量时,就直接使用上一个单元格的装入策略
(3) 当j>=w[i]时: v[i][j]=max{v[i-1][j], v[i]+v[i-1][j-w[i]]}
当 准备加入的新增的商品的容量小于等于当前背包的容量,
装入的方式:
v[i-1][j]: 就是上一个单元格的装入的最大值
v[i] : 表示当前商品的价值
v[i-1][j-w[i]] : 装入i-1商品,到剩余空间j-w[i]的最大值
当j>=w[i]时: v[i][j]=max{v[i-1][j], v[i]+v[i-1][j-w[i]]} :
2.2 动态规划背包思路
以上述背包问题为例说明:
解决类似的问题可以分解成一个个的小问题进行解决,假设存在背包容量大小分为1,2,3,4的各种容量的背包(分配容量的规则为最小重量的整数倍):
v[i][0]=v[0][j]=0;
例如:
物品 | 0 磅 | 1磅 | 2磅 | 3磅 | 4磅 |
---|---|---|---|---|---|
0 | 0 | 0 | 0 | 0 | |
吉他(G) 1磅 | 0 | ||||
音响(S) 4磅 | 0 | ||||
电脑(L) 3磅 | 0 |
- 对于第一行(i=1), 目前只有吉他可以选择,所以
物品 | 0 磅 | 1磅 | 2磅 | 3磅 | 4磅 |
---|---|---|---|---|---|
0 | 0 | 0 | 0 | 0 | |
吉他(G) 1磅 | 0 | 1500(G) | 1500(G) | 1500(G) | 1500(G) |
音响(S) 4磅 | 0 | ||||
电脑(L) 3磅 | 0 |
- 对于第二行(i=2),目前存在吉他和音响可以选择,所以
物品 | 0 磅 | 1磅 | 2磅 | 3磅 | 4磅 |
---|---|---|---|---|---|
0 | 0 | 0 | 0 | 0 | |
吉他(G) 1磅 | 0 | 1500(G) | 1500(G) | 1500(G) | 1500(G) |
音响(S) 4磅 | 0 | 1500(G) | 1500(G) | 1500(G) | 3000(S) |
电脑(L) 3磅 | 0 |
- 对于第三行(i=3),目前存在吉他和音响、电脑可以选择,所以
|物品 | 0 磅 | 1磅 |2磅 |3磅 | 4磅|
|–|–|–|–|–|–|
| | 0 |0 |0 | 0 |0 |
| 吉他(G) 1磅 | 0 | 1500(G) | 1500(G) | 1500(G) | 1500(G)|
| 音响(S) 4磅 | 0 | 1500(G) | 1500(G) | 1500(G) | 3000(S)|
| 电脑(L) 3磅 | 0 | 1500(G) | 1500(G) | 2000(L) | 3500(L+G|
w[i] 和 j 之间的关系 推导…
案例一:v[1][1] = ? w[1] = 1 j = 1
使用公式:
v[i][j]=max{v[i-1][j],v[i-1][j-w[i]]+v[i]} = v[1][1] = max{v[0][0], v[0][0]+v[1]} = max{0, 0 + 1500}
案例二:v[3][4] = ? i = 3 j = 4 w[3] = 3
j >= w[3]
使用公式:
v[i][j]=max{v[i-1][j],v[i-1][j-w[i]]+v[i]} = v[3][4] = max{v[2][4], v[2][1]+v[3]} = max{3000, 1500 + 2000} = max{3000, 3500} = 3500
三、源码
public class KnapsackProblem {
public static void main(String[] args) {
// TODO Auto-generated method stub
int[] w = {1, 4, 3};//物品的重量
int[] val = {1500, 3000, 2000}; //物品的价值 这里val[i] 就是前面讲的v[i]
int m = 4; //背包的容量
int n = val.length; //物品的个数
//创建二维数组,
//v[i][j] 表示在前i个物品中能够装入容量为j的背包中的最大价值
int[][] v = new int[n+1][m+1];
//为了记录放入商品的情况,我们定一个二维数组
int[][] path = new int[n+1][m+1];
//初始化第一行和第一列, 这里在本程序中,可以不去处理,因为默认就是0
for(int i = 0; i < v.length; i++) {
v[i][0] = 0; //将第一列设置为0
}
for(int i=0; i < v[0].length; i++) {
v[0][i] = 0; //将第一行设置0
}
//根据前面得到公式来动态规划处理
for(int i = 1; i < v.length; i++) { //不处理第一行 i是从1开始的
for(int j=1; j < v[0].length; j++) {//不处理第一列, j是从1开始的
//公式
if(w[i-1]> j) { // 因为我们程序i 是从1开始的,因此原来公式中的 w[i] 修改成 w[i-1]
v[i][j]=v[i-1][j];
} else {
//说明:
//因为我们的i 从1开始的, 因此公式需要调整成
//v[i][j]=Math.max(v[i-1][j], val[i-1]+v[i-1][j-w[i-1]]);
//v[i][j] = Math.max(v[i - 1][j], val[i - 1] + v[i - 1][j - w[i - 1]]);
//为了记录商品存放到背包的情况,我们不能直接的使用上面的公式,需要使用if-else来体现公式
if(v[i - 1][j] < val[i - 1] + v[i - 1][j - w[i - 1]]) {
v[i][j] = val[i - 1] + v[i - 1][j - w[i - 1]];
//把当前的情况记录到path
path[i][j] = 1;
} else {
v[i][j] = v[i - 1][j];
}
}
}
}
//输出一下v 看看目前的情况
for(int i =0; i < v.length;i++) {
for(int j = 0; j < v[i].length;j++) {
System.out.print(v[i][j] + " ");
}
System.out.println();
}
System.out.println("============================");
//输出最后我们是放入的哪些商品
//遍历path, 这样输出会把所有的放入情况都得到, 其实我们只需要最后的放入
// for(int i = 0; i < path.length; i++) {
// for(int j=0; j < path[i].length; j++) {
// if(path[i][j] == 1) {
// System.out.printf("第%d个商品放入到背包\n", i);
// }
// }
// }
//动脑筋
int i = path.length - 1; //行的最大下标
int j = path[0].length - 1; //列的最大下标
while(i > 0 && j > 0 ) { //从path的最后开始找
if(path[i][j] == 1) {
System.out.printf("第%d个商品放入到背包\n", i);
j -= w[i-1]; //w[i-1]
}
i--;
}
}
}