题目
在n个物品中挑选若干物品装入背包,最多能装多满?假设背包的大小为m,每个物品的大小为A[i]
- 样例
Example 1:
Input: [3,4,8,5], backpack size=10
Output: 9
Example 2:
Input: [2,3,5,7], backpack size=12
Output: 12 - 挑战
O(n x m) time and O(m) memory.
O(n x m) memory is also acceptable if you do not know how to optimize memory.
分析
- 背包问题是经典的动态规划问题;动态规划是将一个大的最优问题分解为众多子最优问题。
- 设计子问题应趋向于简单。一维角度可以从背包容量进行分解或者从物品的数目进行分解。再次深入分析一下相邻两个子问题之间的关系:对于有n个物品的最优解dp[n],考虑到前[n-1]个物体中放入的物品可能占据多种不同的背包容量,导致第n个物体有能放入和不能放入的不确定情况,即,利用一维问题空间无法解决该最优化问题。
- 通过2可知,子问题需要考虑:背包剩余容量(已使用容量) 和 物品数目增长。
- 设 d p [ i ] [ j ] dp[i][j] dp[i][j]表示在背包容积设定为 j j j的情况下,前 i i i个物品所能够装的最大体积;
- 在已知前n-1个物品在不同容积限定下的最优解情况下,对于即将要考虑的第n个物体只有能 放入背包和不能放入背包两种情况,则
当第n个物体不能放入背包时,背包容积不变:
d p [ n ] [ k ] = d p [ n − 1 ] [ k ] dp[n][k]=dp[n-1][k] dp[n][k]=dp[n−1][k]
当第n个物体能放入背包时,考虑前n-1个物体占用的体积(从1到m):
m a x ( 0 < k < m ) ( d p [ n − 1 ] [ k ] + A [ n ] ) max_{(0<k<m)}(dp[n-1][k]+A[n]) max(0<k<m)(dp[n−1][k]+A[n])
即,状态转移方程为:
d p [ i ] [ m ] = m a x ( 0 < k < m ) ( i f ( m > A [ i ] ) t h e n ( d p [ i − 1 ] [ k ] + A [ i ] ) ) dp[i][m] = max_{(0<k<m)} (if (m >A[i]) then (dp[i-1][k]+A[i])) dp[i][m]=max(0<k<m)(if(m>A[i])then(dp[i−1][k]+A[i]))
即:当动态规划执行到第3个物品的时候,在容积为3的时候,考虑前3个物品在容积为(1~3)的限制下的最优解,并计算在不同容积限制下第四个物品能否放入,取所有情况下的最优解为
d
p
[
4
]
[
3
]
dp[4][3]
dp[4][3]的解。这就称动态规划的一个定理:问题的最优解是由子问题的最优解组成的。
代码
利用二维数组,运算速度会比用vecor<vector > 的速度快;
int *dp = new intm+1; 将会执行默认初始化,将数组的每一位置为0;
class Solution {
public:
/**
* @param m: An integer m denotes the size of a backpack
* @param A: Given n items with size A[i]
* @return: The maximum size
*/
int backPack(int m, vector<int> &A) {
// write your code here
int size = A.size(), i = 0, j = 0;
if(size <= 0) {
return 0;
}
int *dp = new int[m+1]();
for(i=0; i<size; i++) {
for(j=m; j>=1; j--) {
if(j >= A[i]) {
int temp= dp[j-A[i]] + A[i];
dp[j] = (dp[j]>temp)?dp[j]:temp;
}
}
}
return dp[m];
}
};