背包问题九讲笔记-01背包问题

最新推荐文章于 2021-03-21 17:16:30 发布

流星逐月

最新推荐文章于 2021-03-21 17:16:30 发布

阅读量466

点赞数

分类专栏：畅游算法文章标签：动态规划背包问题

本文链接：https://blog.csdn.net/u010106759/article/details/77984537

版权

畅游算法专栏收录该内容

2 篇文章 0 订阅

订阅专栏

问题描述

有 $N$ 件物品和一个容量为 $V$ 的背包．放入第 $i$ 件物品．放入第 $i$ 件物品耗费的容量是 $C_i$ ，所获得的价值是 $W_i$ ．每件物品只有一个．求将哪些物品放入背包可使价值总和最大．

思考过程

一般来说求极值的问题可分为贪心，动态规划，以及遍历所有可能．在这三中方法中，动态规划是最常见的，也是很难想出来的．其中最难的是定义子问题，写出动态转移方程．类似于将问题简化，如何由较小的子问题，推到出较复杂的问题．类似的计算机的本质是极其简单的二进制运算，但由无数二进制运算叠加在一起，组成了今天复杂的互联网系统．

在上次面试中，由于没想出思路，很紧张，之后写最简单的01背包也没有写出来．面试后，痛定思痛，之后要逐步加强的自己的算法思维能力，证明问题能力，找错能力，工具应用能力．

思路

一般可从最简单入手：

１如果没有物品，解是什么？显而易见，由于没有任何物体，得到的价值为０．这一般对应于动态规划中的初始化．
２再复杂一点点，如果有一个物体，如何求解？直接比较物品体积和背包容量，如果小于，直接拿下，解就是物体的价值，否则还是０．
3 当有两个物体时呢？如果先考虑第二个物体，那么有两种选择，装或者不装，两种选择之后，会产生新的容量，以及第一个物体，那么问题回归到第二种情况．
如果有 $N$ 个物体，如果放完第 $N$ 个物体（选择放或者不放）后，那么问题转化为含有 $N-1$ 个物体的子问题．这样问题就逐渐分解了．

定义子问题

用 $F[i, v]$ 表示前 $i$ 件物品放入一个容量为 $v$ 的背包所获得的最大价值．

状态转移方程

在放与不放两个子问题中选择一个最大的解

F [i, v] = m a x (F [i - 1, v], F [i - 1, v - C i] + W i)

$F[i, v] = max(F[i - 1, v], F[i - 1, v - C_i] + W_i)$

伪代码

F[0, 0...V] = 0
for i = 1 to N 
    for j = 0 to V
        if(C[i] > j)
            F[i, j] = F[i - 1, j]
        else
            F[i, j] = max(F[i - 1, j], F[i - 1, j - C[i]] + W[i])

优化

时间

时间复杂度已无法再优化,.

T = O (N V)

$T = O(NV)$

空间

这里使用的是二维数据，但求解第 $i$ 行值时，只利用到 $i - 1$ 行的解，并未利用更久之前的解，由于有这种局限解的特性，可以利用一维的滚动数组模拟二维数据，另外由于这里由 $i-1$ 的前面的解 $j - c[i]$ 推导出 $i$ 后面的解 $j$ ，也就是利用一维的数据的话，旧解为前面的解，新解为后面的．那么就应该让 $j$ 从大到小进行循环遍历，因为这样第一次接触的到为旧解 $i-1$ ，新出来的新解 $j$ 在此次遍历也不会再用到．也就是当且仅使用了一次．如果是从小到大遍历 $j$ ，那么新求出的解 $j + C[i]$ 在后面还会遍历到，因此还会被重新用到，再次用到的话，还会选择是否拿下这个物体，不符合题意每件物品只有一个（如果有无穷多个物品，就可以从小到大遍历，之后的完全背包问题会提到）

S = O (V)

$S = O(V)$

优化空间后的伪代码 1

F[0...V] = 0
for i = 1 to N
    for j = V to C[i]
        F[j] = max(F[j], F[j - C[i]] + W[i]

代码更将简单优雅

初始化的细节

如果是求恰好要装满背包时的最优解，那么像上面的都初始化为０就不行了．这时候需要只有F[0, 0] = 0, F[0, 1…V] = INT_MIN(表示负无穷).可以理解只有０个物品，背包为０容量正好有解，其余解为无效解．如果手工画出来子问题转化图示，这样最基础的子问题只能从 $F[0,0]$ 出发，不会从其他无效子问题出发，因为初始化无效解是负无穷，两者去较大的话，肯定不会选取负无穷．

一个常数的优化

可将伪代码１再次优化为

for i = 1 to N
    for j = V to max(V - sum（C[i...N]), C[i])
        F[j] = max(F[j], F[j - C[i]] + W[i]）

由于只需要最后F[V]的值，倒推前一个物品，其实只要知道F[V-C[N]]即可。以此类推，对以第j个背包，其实只需要知道到F[v-sum{C[j…n]}]即可

求取最优方案

参照一般动态规划问题输出方案的方法：记录下每个状态的最优质是由状态转移方程的哪一项得到的，也就是记录最优解时，是否选择了这个物品．具体来说是利用path[i, j] 来记录当前的转移过程，path[i, j] = true表示选取物品i, path = False 表示未选取当前物品．(bool数组更加节省内存)．空间复杂度 $S = O(VN)$ .

代码库(C++)

不输出最优方案

void zeroOnePack(int c, int w, int V, vector<int> & F){
    for(int i = V; i >= c; i--)
        F[i] = max(F[i], F[i - c] + w);
}
int allZeroOnePack(vector<int>& C, vector<int>& W, int V){
    vector<int> F(V + 1, 0);
    for(int i = 0; i < C.size(); i++)
        zeroOnePack(C[i], W[i], V, F);
    return F[V];
}

输出最优方案

void zeroOnePack(int i, int c, int w, int V, vector<int> & F, vector<vector<bool> > &path){
    for(int j = V; j >= c; j--){
        int choose = F[j - c] + w;
        if(choose > F[j]){
            F[j] = choose;
            path[i][j] = true;
        }
    }
}
int allZeroOnePackDetail(vector<int>& C, vector<int>& W, int V){
    vector<int> F(V + 1, 0);
    vector<vector<bool> > path(C.size(), vector<bool>(V + 1, false));
    for(int i = 0; i < C.size(); i++){
        zeroOnePack(i, C[i], W[i], V, F, path);
    }
    return F[V];
}
void printMethod(vector<int>& C){
    int i = N - 1;
    int v = V;
    while(i >= 0){
        if(path[i][v]){
            cout<<i<<" ";
            v = v - C[i];
        }
        i--;
    }
}