2014.5.1 训练日志(下午)：动态规划(DP)

于 2014-05-01 17:22:07 发布
阅读量466 收藏 1
点赞数
分类专栏： 2、动态规划 ————ACM训练———— 文章标签： ACM DP
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/tlonline/article/details/24845713
版权

背包问题

有N件物品和一个容量为V的背包。第i件物品的费用是c[i]，价值是w[i]。求解将哪些物品装入背包可使价值总和最大。

基本思路

这是最基础的背包问题，特点是：每种物品仅有一件，可以选择放或不放。

用子问题定义状态：即f[i][v]表示前i件物品恰放入一个容量为v的背包可以获得的最大价值。则其状态转移方程便是：

f[i][v]=max{f[i-1][v],f[i-1][v-c[i]]+w[i]}

这个方程非常重要，基本上所有跟背包相关的问题的方程都是由它衍生出来的。所以有必要将它详细解释一下：“将前i件物品放入容量为v的背包中”这个子问题，若只考虑第i件物品的策略（放或不放），那么就可以转化为一个只牵扯前i-1件物品的问题。如果不放第i件物品，那么问题就转化为“前i-1件物品放入容量为v的背包中”，价值为f[i-1][v]；如果放第i件物品，那么问题就转化为“前i-1件物品放入剩下的容量为v-c[i]的背包中”，此时能获得的最大价值就是f[i-1][v-c[i]]再加上通过放入第i件物品获得的价值w[i]。

优化空间复杂度

以上方法的时间和空间复杂度均为O(N*V)，其中时间复杂度基本已经不能再优化了，但空间复杂度却可以优化到O(V)。

先考虑上面讲的基本思路如何实现，肯定是有一个主循环i=1..N，每次算出来二维数组f[i][0..V]的所有值。那么，如果只用一个数组f[0..V]，能不能保证第i次循环结束后f[v]中表示的就是我们定义的状态f[i][v]呢？f[i][v]是由f[i-1][v]和f[i-1][v-c[i]]两个子问题递推而来，能否保证在推f[i][v]时（也即在第i次主循环中推f[v]时）能够得到f[i-1][v]和f[i-1][v-c[i]]的值呢？事实上，这要求在每次主循环中我们以v=V..0的顺序推f[v]，这样才能保证推f[v]时f[v-c[i]]保存的是状态f[i-1][v-c[i]]的值。伪代码如下：

for i=1..N

    for v=V..0

        f[v]=max{f[v],f[v-c[i]]+w[i]};

其中的f[v]=max{f[v],f[v-c[i]]}一句恰就相当于我们的转移方程f[i][v]=max{f[i-1][v],f[i-1][v-c[i]]}，因为现在的f[v-c[i]]就相当于原来的f[i-1][v-c[i]]。

如果将v的循环顺序从上面的逆序改成顺序的话，那么则成了f[i][v]由f[i][v-c[i]]推知，与本题意不符，但它却是另一个重要的背包问题P02最简捷的解决方案，故学习只用一维数组解01背包问题是十分必要的。

事实上，使用一维数组解01背包的程序在后面会被多次用到，所以这里抽象出一个处理一件01背包中的物品过程，以后的代码中直接调用不加说明。

过程ZeroOnePack，表示处理一件01背包中的物品，两个参数cost、weight分别表明这件物品的费用和价值。

procedure ZeroOnePack(cost,weight)

    for v=V..cost

        f[v]=max{f[v],f[v-cost]+weight}

注意这个过程里的处理与前面给出的伪代码有所不同。前面的示例程序写成v=V..0是为了在程序中体现每个状态都按照方程求解了，避免不必要的思维复杂度。而这里既然已经抽象成看作黑箱的过程了，就可以加入优化。费用为cost的物品不会影响状态f[0..cost-1]，这是显然的。

有了这个过程以后，01背包问题的伪代码就可以这样写：

for i=1..N

    ZeroOnePack(c[i],w[i]);

 

初始化的细节问题

我们看到的求最优解的背包问题题目中，事实上有两种不太相同的问法。有的题目要求“恰好装满背包”时的最优解，有的题目则并没有要求必须把背包装满。一种区别这两种问法的实现方法是在初始化的时候有所不同。

如果是第一种问法，要求恰好装满背包，那么在初始化时除了f[0]为0其它f[1..V]均设为-∞，这样就可以保证最终得到的f[N]是一种恰好装满背包的最优解。

如果并没有要求必须把背包装满，而是只希望价格尽量大，初始化时应该将f[0..V]全部设为0。

为什么呢？可以这样理解：初始化的f数组事实上就是在没有任何物品可以放入背包时的合法状态。如果要求背包恰好装满，那么此时只有容量为0的背包可能被价值为0的nothing“恰好装满”，其它容量的背包均没有合法的解，属于未定义的状态，它们的值就都应该是-∞了。如果背包并非必须被装满，那么任何容量的背包都有一个合法解“什么都不装”，这个解的价值为0，所以初始时状态的值也就全部为0了。

这个小技巧完全可以推广到其它类型的背包问题，后面也就不再对进行状态转移之前的初始化进行讲解。

小结

01背包问题是最基本的背包问题，它包含了背包问题中设计状态、方程的最基本思想，另外，别的类型的背包问题往往也可以转换成01背包问题求解。故一定要仔细体会上面基本思路的得出方法，状态转移方程的意义，以及最后怎样优化的空间复杂度。

 

#include<cstdio>
#include<cstring>
#define MINUSINF 0x80000000
#define MAXN 100
#define MAXV 1000
int max(int a,int b)
{
    return a>b?a:b;
} 
//n件物品和一个容量为v的背包。第i件物品的费用是c[i]，价值是w[i]，装满与否要求为full
//算法1：经典DP二维数组解法，时间复杂度及空间复杂度均为O(nv) 
int ZeroOnePack1(int n,int v,int c[],int w[],int full)
{
    int i,j;
    int f[MAXN][MAXV];
    if(full)
    {
        for(i=0;i<=n;i++)
            for(j=0;j<=v;j++) 
                f[i][j]=MINUSINF;
        f[0][0]=0;
    } 
    else memset(f,0,sizeof(f));
    for(i=1;i<=n;i++)
    {
        for(j=0;j<=v;j++)
        {
            if(j>=c[i])
                f[i][j]=max(f[i-1][j],f[i-1][j-c[i]]+w[i]);
            else f[i][j]=f[i-1][j];
        }
    }
    if(f[n][v]<0) return -1;
    else return f[n][v];
}
//算法2：算法1的一维数组解法，时间复杂度为O(nv)，空间复杂度为O(v)
int ZeroOnePack2(int n,int v,int c[],int w[],int full)
{
    int i,j;
    int f[MAXV];
    if(full)
    {
        f[0]=0;
        for(i=1;i<=v;i++) 
            f[i]=MINUSINF;
    }
    else memset(f,0,sizeof(f));
    for(i=1;i<=n;i++)
    {
        for(j=v;j>=0;j--)
        {
            if(j>=c[i])
                f[j]=max(f[j],f[j-c[i]]+w[i]);
        }
    }
    if(f[v]<0) return -1;
    else return f[v];
}
//算法3：算法2的优化，去掉了无必要的判断，时间复杂度为O(nv)，空间复杂度为O(v)
int ZeroOnePack3(int n,int v,int c[],int w[],int full)
{
    int i,j;
    int f[MAXV];
    if(full)
    {
        f[0]=0;
        for(i=1;i<=v;i++) 
            f[i]=MINUSINF;
    }
    else memset(f,0,sizeof(f));
    for(i=1;i<=n;i++)
    {
        for(j=v;j>=c[i];j--)
        {
            f[j]=max(f[j],f[j-c[i]]+w[i]);
        }
    }
    if(f[v]<0) return -1;
    else return f[v];
}
//算法4：算法3的常数优化，在v较大时优势明显，时间复杂度为O(nv)，空间复杂度为O(v)
int ZeroOnePack4(int n,int v,int c[],int w[],int full)
{
    int i,j,sum=0,bound;
    int f[MAXV];
    if(full)
    {
        f[0]=0;
        for(i=1;i<=v;i++) 
            f[i]=MINUSINF;
    }
    else memset(f,0,sizeof(f));
    for(i=1;i<=n;i++) sum+=w[i];
    for(i=1;i<=n;i++)
    {
        if(i>1) sum-=w[i-1];
        bound=max(v-sum,c[i]);
        for(j=v;j>=bound;j--)
        {
            f[j]=max(f[j],f[j-c[i]]+w[i]);
        }
    }
    if(f[v]<0) return -1;
    else return f[v];
}
int main()
{
    int i,j;
    int n,v,c[MAXN],w[MAXN];
    while(scanf("%d %d",&n,&v)!=EOF)
    {
        for(i=1;i<=n;i++) scanf("%d %d",&c[i],&w[i]);
        printf("%d\n",ZeroOnePack1(n,v,c,w,0));
    }
    return 0;
}


 

 

完全背包问题

题目

有N种物品和一个容量为V的背包，每种物品都有无限件可用。第i种物品的费用是c[i]，价值是w[i]。求解将哪些物品装入背包可使这些物品的费用总和不超过背包容量，且价值总和最大。

基本思路

这个问题非常类似于01背包问题，所不同的是每种物品有无限件。也就是从每种物品的角度考虑，与它相关的策略已并非取或不取两种，而是有取0件、取1件、取2件……等很多种。如果仍然按照解01背包时的思路，令f[i][v]表示前i种物品恰放入一个容量为v的背包的最大权值。仍然可以按照每种物品不同的策略写出状态转移方程，像这样：

f[i][v]=max{f[i-1][v-k*c[i]]+k*w[i]|0<=k*c[i]<=v}

这跟01背包问题一样有O(N*V)个状态需要求解，但求解每个状态的时间已经不是常数了，求解状态f[i][v]的时间是O(v/c[i])，总的复杂度是超过O(VN)的。

将01背包问题的基本思路加以改进，得到了这样一个清晰的方法。这说明01背包问题的方程的确是很重要，可以推及其它类型的背包问题。但我们还是试图改进这个复杂度。

一个简单有效的优化

完全背包问题有一个很简单有效的优化，是这样的：若两件物品i、j满足c[i]<=c[j]且w[i]>=w[j]，则将物品j去掉，不用考虑。这个优化的正确性显然：任何情况下都可将价值小费用高得j换成物美价廉的i，得到至少不会更差的方案。对于随机生成的数据，这个方法往往会大大减少物品的件数，从而加快速度。然而这个并不能改善最坏情况的复杂度，因为有可能特别设计的数据可以一件物品也去不掉。

这个优化可以简单的O(N^2)地实现，一般都可以承受。另外，针对背包问题而言，比较不错的一种方法是：首先将费用大于V的物品去掉，然后使用类似计数排序的做法，计算出费用相同的物品中价值最高的是哪个，可以O(V+N)地完成这个优化。这个不太重要的过程就不给出伪代码了，希望你能独立思考写出伪代码或程序。

转化为01背包问题求解

既然01背包问题是最基本的背包问题，那么我们可以考虑把完全背包问题转化为01背包问题来解。最简单的想法是，考虑到第i种物品最多选V/c[i]件，于是可以把第i种物品转化为V/c[i]件费用及价值均不变的物品，然后求解这个01背包问题。这样完全没有改进基本思路的时间复杂度，但这毕竟给了我们将完全背包问题转化为01背包问题的思路：将一种物品拆成多件物品。

更高效的转化方法是：把第i种物品拆成费用为c[i]*2^k、价值为w[i]*2^k的若干件物品，其中k满足c[i]*2^k<=V。这是二进制的思想，因为不管最优策略选几件第i种物品，总可以表示成若干个2^k件物品的和。这样把每种物品拆成O(log(V/c[i]))件物品，是一个很大的改进。

但我们有更优的O(VN)的算法。

O(VN)的算法

这个算法使用一维数组，先看伪代码：

for i=1..N

    for v=0..V

        f[v]=max{f[v],f[v-cost]+weight}

你会发现，这个伪代码与P01的伪代码只有v的循环次序不同而已。为什么这样一改就可行呢？首先想想为什么P01中要按照v=V..0的逆序来循环。这是因为要保证第i次循环中的状态f[i][v]是由状态f[i-1][v-c[i]]递推而来。换句话说，这正是为了保证每件物品只选一次，保证在考虑“选入第i件物品”这件策略时，依据的是一个绝无已经选入第i件物品的子结果f[i-1][v-c[i]]。而现在完全背包的特点恰是每种物品可选无限件，所以在考虑“加选一件第i种物品”这种策略时，却正需要一个可能已选入第i种物品的子结果f[i][v-c[i]]，所以就可以并且必须采用v=0..V的顺序循环。这就是这个简单的程序为何成立的道理。

这个算法也可以以另外的思路得出。例如，基本思路中的状态转移方程可以等价地变形成这种形式：

f[i][v]=max{f[i-1][v],f[i][v-c[i]]+w[i]}

将这个方程用一维数组实现，便得到了上面的伪代码。

最后抽象出处理一件完全背包类物品的过程伪代码，以后会用到：

procedure CompletePack(cost,weight)

    for v=cost..V

        f[v]=max{f[v],f[v-c[i]]+w[i]}

总结

完全背包问题也是一个相当基础的背包问题，它有两个状态转移方程，分别在“基本思路”以及“O(VN)的算法“的小节中给出。希望你能够对这两个状态转移方程都仔细地体会，不仅记住，也要弄明白它们是怎么得出来的，最好能够自己想一种得到这些方程的方法。事实上，对每一道动态规划题目都思考其方程的意义以及如何得来，是加深对动态规划的理解、提高动态规划功力的好方法。

 

#include<cstdio>
#include<cstring>
#include<cstdlib>
#define MINUSINF 0x80000000
#define MAXN 100
#define MAXV 1000
int max(int a,int b)
{
    return a>b?a:b;
}
struct Pack
{
    int c;
    int w;
};
int cmp( const void *a ,const void *b)
{
    struct Pack *d=(Pack *)a;
    struct Pack *e=(Pack *)b;
    if(d->c!=e->c) return d->c-e->c;
    else return e->w-d->w;
}
//n种物品和一个容量为v的背包，每种物品都有无限件可用。
//第i种物品的费用是c[i]，价值是w[i]，装满与否要求为full
//算法1：基本思路解法，时间复杂度为O(v*Σ(v/c[i]))，空间复杂度为O(nv)
int CompletePack1(int n,int v,int c[],int w[],int full)
{
    int i,j,k,current;
    int f[MAXN][MAXV];
    if(full)
    {
        for(i=0;i<=n;i++)
            for(j=0;j<=v;j++)
                f[i][j]=MINUSINF;
        f[0][0]=0;
    }
    else memset(f,0,sizeof(f));
    for(i=1;i<=n;i++)
    {
        for(j=0;j<=v;j++)
        {
            current=MINUSINF;
            for(k=0;k<=j/c[i];k++)
            {
                f[i][j]=max(current,f[i-1][j-k*c[i]]+k*w[i]);
                current=f[i][j];
            }
        }
    }
    if(f[n][v]<0) return -1;
    else return f[n][v];
}
//算法2：基本思路解法的简单优化，时间复杂度为O(v*Σ(v/c[i]))，空间复杂度为O(nv)
int Optimization(int n,int v,int c[],int w[],int selected[])
{
    Pack pack[MAXN];
    int i;
    memset(selected,0,sizeof(selected));
    for(i=0;i<n;i++)
    {
        pack[i].c=c[i+1];
        pack[i].w=w[i+1];
    }
    qsort(pack,n,sizeof(pack[0]),cmp);
    for(i=0;i<n;i++)
    {
        c[i+1]=pack[i].c;
        w[i+1]=pack[i].w;
    }
    for(i=1;i<n;i++)
    {
        if(c[i]!=c[i+1]) continue;
        else selected[i+1]=-1;
    }
}
int CompletePack2(int n,int v,int c[],int w[],int full)
{
    int i,j,k,current;
    int f[MAXN][MAXV];
    int selected[MAXN];
    if(full)
    {
        for(i=0;i<=n;i++)
            for(j=0;j<=v;j++)
                f[i][j]=MINUSINF;
        f[0][0]=0;
    }
    else memset(f,0,sizeof(f));
    Optimization(n,v,c,w,selected);
    for(i=1;i<=n;i++)
    {
        if(selected[i]==-1) continue;
        for(j=0;j<=v;j++)
        {
            current=MINUSINF;
            for(k=0;k<=j/c[i];k++)
            {
                f[i][j]=max(current,f[i-1][j-k*c[i]]+k*w[i]);
                current=f[i][j];
            }
        }
    }
    if(f[n][v]<0) return -1;
    else return f[n][v];
}
//算法3：一维数组解法，时间复杂度为O(nv)，空间复杂度为O(v)
int CompletePack3(int n,int v,int c[],int w[],int full)
{
    int i,j;
    int f[MAXV];
    if(full)
    {
        f[0]=0;
        for(i=1;i<=v;i++)
            f[i]=MINUSINF;
    }
    else memset(f,0,sizeof(f));
    for(i=1;i<=n;i++)
    {
        for(j=c[i];j<=v;j++)
        {
            f[j]=max(f[j],f[j-c[i]]+w[i]);
        }
    }
    if(f[v]<0) return -1;
    else return f[v];
}
int main()
{
    int i,j;
    int n,v,c[MAXN],w[MAXN];
    while(scanf("%d %d",&n,&v)!=EOF)
    {
        for(i=1;i<=n;i++) scanf("%d %d",&c[i],&w[i]);
        printf("%d\n",CompletePack1(n,v,c,w,0));
    }
    return 0;
}


 

童凌
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值