01背包问题
题目
有m件物品和一个容量为V 的背包。放入第i 件物品占用的体积是Vi,得到的价值是Wi。求解将哪些物品装入背包可使价值总和最大。
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。所以对于第i件物品,可以转化成与前i-1个物品相关的两个子问题:
- 如果放入第i个物品,那么当前最大的价值f(i,V)就等于将前i-1个物品放入容量为(V-Vi)的背包中能得到的最大价值f(i-1, V-Vi) 与 第i个物品的价值Wi 的和。
- 如果不放入第i个物品,那么f(i, V)就等于将前i-1个物品放入容量为V的背包能得到的最大价值f(i-1, V)
所以递推公式为: F(i, V) = max(F(i-1, V), F(i-1, V-Vi) + Wi)
有了递推公式就可以使用动态规划来对该问题求解了。
int backPack1(int m, vector<int> &V, vector<int> &W) {
int n = V.size();
vector<int> dp(m+1, 0);
for(int i = 0; i < n; i++)
for(int j = m; j >= 0; j--){
//这里一定要逆序,正序会将之后要用到的数据提前覆盖掉
if(j - V[i] < 0)
continue;
dp[j] = max(dp[j - V[i]] + W[i], dp[j]);
}
return dp[m];
}
完全背包问题
题目
完全背包和01背包的不同在于:01背包中一个物品只有一件,你只能选择拿或不拿,而在完全背包中,一个物品有无数件,只要不超过背包容量,你可以拿任意件。
思路
在01背包的基础上我们都能得到如下的递推公式:
F(i, V) = max(F(i-1, V - k*Vi) + k*Wi | 0 <= k*Vi <= V)
该公式可进一步推导为如下形式:
F(i, V) = max(F(i-1, V), F(i, V-Vi) + Wi)
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 Vi < Vj 且 Wi ≥ Wj,则将可以将物品j 直接去掉,不用考虑。这个优化的正确性是显然的:任何情况下都可将价值小费用高的j 换成物美价廉的i,得到的方案至少不会更差。
下面给出代码
//优化数据
void majorizing(int m, vector<int> &v, vector<int> &w)
{
int n = v.size();
vector<int>::iterator it;
for(int i = 0; i < n; i++){
if(v[i] > m){
v[i] = -1;
w[i] = -1;
continue;
}
for(int j = 0; j < n; j++)
if(w[i] >= w[j] && v[i] < v[j]) {
v[j] = -1;
w[j] = -1;
}
}
for(it = v.begin(); it != v.end(); it++)
if(*it == -1){
v.erase(it);
it--;
}
for(it = w.begin(); it != w.end(); it++)
if(*it == -1){
w.erase(it);
it--;
}
}
//动态规划求解
int backpack2(int m, vector<int> &v, vector<int> &w)
{
vector<int> dp(m+1, 0);
majorizing(m, v, w);
for(int i = 0; i < v.size(); i++)
for(int j = 0; j <= m; j++){
if(j >= v[i])
dp[j] = std::max(dp[j], dp[j-v[i]] + w[i]);
}
return dp[m];
}