动态规划法:
动态规划法采用分布决策,每一步的决策依赖于子问题的解,所以该方法求解是自底向上的 。
两要素:最优子结构特性、子问题重叠
最优子结构特性:较小子问题的最优解与较大子问题的最优解之间存在数值关系 。
子问题重叠:自底向上计算,保存子问题的解,从而避免重复计算这些子问题 。
0/1背包问题描述:
已知载重为M的背包和n件物品,物品编号为0至n-1,第i件物品的重量为wi,将第i件物品放入背包将获益pi,求一种最佳装载方案是收益最大 。
思路:
该问题的最优子结构:若{x0,x1,...,xn-1}是该问题的最优解,则{x1,x2,...,xn-1}必然是其子问题的最优解 。(反证法)
设f(j,X)是当背包载重为X,可供选择的物品编号为0,1,...,j时的最优值,则f(n-1,M)=max{f(n-2,M),f(n-2,M-wn-1)+pn-1} ;
对于任意的j,有f(j-1,M)=max{f(j-1,M),f(j-1,M-wn-1)+pn-1} ;
递归代码实现如下:
public int KNap(int m, int n, int[] w, int[] p) {
if (n > 0)
return f(n - 1, m, w, p);
else
return -1;
}
public int f(int j, int x, int[] w, int[] p) {
// 当前载重仍大于0,但已没有物品
if (j < 0)
return ((x < 0) ? -1 : 0);
// 第j个装不下
if (x < w[j])
return f(j - 1, x, w, p);
else {
// 第j个不装入包
int a = f(j - 1, x, w, p);
// 第j个装入包
int b = f(j - 1, x - w[j], w, p) + p[j];
if (a > b) {
return a;
} else {
return b;
}
}
}
循环遍历代码如下:
public int BackPack_Solution(int m, int n, int[] w, int[] p) throws InterruptedException {
// c[i][v]表示前i件物品恰放入一个重量为m的背包可以获得的最大价值
int c[][] = new int[n + 1][m + 1];
// j=0,即载重为0,收益为0
for (int i = 0; i < n + 1; i++)
c[i][0] = 0;
// i=0,即物品为0,收益为0
for (int j = 0; j < m + 1; j++)
c[0][j] = 0;
int cmax = 0;
for (int i = 1; i < n + 1; i++) {
for (int j = 1; j < m + 1; j++) {
// 当物品为i件重量为j时,如果第i件的重量(w[i-1])小于重量j时,c[i][j]为下列两种情况之一:
// (1)物品i不放入背包中,所以c[i][j]为c[i-1][j]的值
// (2)物品i放入背包中,则背包剩余重量为j-w[i-1],所以c[i][j]为c[i-1][j-w[i-1]]的值加上当前物品i的价值
if (w[i - 1] <= j) {
c[i][j] = Math.max(c[i - 1][j], c[i - 1][j - w[i - 1]] + p[i - 1]);
cmax = c[i][j];
} else {
c[i][j] = c[i - 1][j];
}
}
}
return cmax;
}