采药
题目描述
辰辰是个很有潜能、天资聪颖的孩子,他的梦想是称为世界上最伟大的医师。为此,他想拜附近最有威望的医师为师。医师为了判断他的资质,给他出了一个难题。医师把他带到个到处都是草药的山洞里对他说:“孩子,这个山洞里有一些不同的草药,采每一株都需要一些时间,每一株也有它自身的价值。我会给你一段时间,在这段时间里,你可以采到一些草药。如果你是一个聪明的孩子,你应该可以让采到的草药的总价值最大。”
如果你是辰辰,你能完成这个任务吗?
输入
输入的第一行有两个整数T(1 <= T <= 1000)和M(1 <= M <= 100),T代表总共能够用来采药的时间,M代表山洞里的草药的数目。接下来的M行每行包括两个在1到100之间(包括1和100)的的整数,分别表示采摘某株草药的时间和这株草药的价值。
输出
输出只包括一行,这一行只包含一个整数,表示在规定的时间内,可以采到的草药的最大总价值。
思路:01背包问题
1、定义状态:我们需要定义一个二维数组dp
,其中dp[i][j]
表示前i
个物品中挑选若干个物品(可以不选),总重量不超过j
的情况下能够获得的最大价值。这个定义下,dp[M-1][T]
即为所求。
2、状态转移方程:根据问题的规律,我们可以推导出状态之间的转移关系。对于第i
个物品,有两种情况,一种是不选,即dp[i][j] = dp[i-1][j]
;另一种是选,即dp[i][j] = dp[i-1][j-w[i]] + v[i]
(前提是j>=w[i]),选与不选在于看这两种情况的dp[i][j]
谁更大。其中w[i]
和v[i]
分别表示第i
个物品的重量和价值。这样,dp[i][j]
仅仅取决于dp[i-1][j]
和dp[i-1][j-w[i]]
,而不关心这两个数据是怎么来的,符合dp无后效性的特点。
从终点向回递推,要想知道前i
个物品中挑选若干个物品(可以不选),总重量不超过j
的情况下能够获得的最大价值。把前i
个物品所有挑选方式分为两类,一种是不挑选第i
个,一种是挑选第i
个。现在就要求出这两种情况下,各自的最大价值(满足重量要求的),然后选最大价值更大的。而对不挑选第i
个这一大类,又可以分为挑选第i-1
个和不挑选第i-1
个,那么我就想知道挑选第i-1
个和不挑选第i-1
个,各自的最大价值(满足重量要求的),然后选最大价值更大的。对挑选第i
个的一大类是同理的。这种分类的方式可以不断进行下去,随着分类越来越细,需要关注的物品越来越少直到只剩一个,而对重量的要求也会随之变化。而对于最简单的情况,可以做出直接判断。得到结果后,再一步步“逆推”回去,就可以得到最终结果。也就是说,通过这样的递推路径(不断增大关注物品的范围,实时改变重量要求),就可以顺利的接近真相,这每一步的分类也能做到不重不漏。
那么dp数组就需要两个维度,物品的范围(0~i)和重量的要求(不妨取遍0~capacity)。dp二维数组的每一个位置都对应着一种小分类的答案,即前i
个物品中挑选若干个物品(可以不选),总重量不超过j
的情况下能够获得的最大价值。
3、边界条件:确定问题的初始状态。对于第0个物品,若重量要求j不比它的重量小,则选取它,否则就不选取。所以dp[0][j] = max(0, j - w[0])
。对于第二个物品,有两种选择,即选取或不选取第一个物品,所以dp[1][j] = max(dp[0][j], dp[0][j-w[1]] + v[1])
。
4、自底向上迭代:从最小的子问题开始,逐步计算出所有子问题的解,并将结果存储在二维表中。最后,根据表中得到的结果,计算出原问题的解。
代码
T,M=map(int,input().split())
w=[]
v=[]
for _ in range(M):
weight,value=map(int,input().split())
w.append(weight)
v.append(value)
#初始化
dp=[[0]*(T+1) for line in range(M)]
#边界条件
for y in range(T+1):
dp[0][y]=max(0,y-w[0])
for i in range(M):
for j in range(T+1):
if j<w[i]:
dp[i][j]=dp[i-1][j]#不能选第i个
else:
dp[i][j]=max(dp[i-1][j],dp[i-1][j-w[i]]+v[i])#选不选第i个
print(dp[M-1][T])