php解决01背包问题,0-1背包问题与分数背包问题

0⑴背包问题与分数背包问题问题描写

问题分析之分数背包

代码设计之分数背包问题

问题分析之0⑴背包问题

代码设计之0⑴背包问题

动态计划算法之间的差别

0⑴背包问题与分数背包问题

我们在文章《贪心算法原理》:http://blog.csdn.net/ii1245712564/article/details/45369491中提到过动态计划和贪心算法的区分。和两个经典的例子：0⑴背包问题和分数背包问题，我么知道0⑴背包问题是不能够使用贪心算法求解的，而贪心算法则是分数背包问题的不2之选。

这次我们来侧重实现1下0⑴背包问题的动态计划解法和分数背包问题的贪心算法。

问题描写

0⑴背包问题：我们有1堆物品S={a1,a2,...,an},每个物品ai都有1个重量wi和1个价值vi.现在有1个背包，这个背包的容量为W,现在要将这些物品在不超越背包容量的情况下选择性的放入背包，使得背包里面物品的价值最大，物品不能只选取其中1部份，必须选择全部，或不选！

分数背包问题：这个问题和上面的问题比较类似，唯1不同的就是该问题里面的物品可以进行分割，便可以只选取1个物品ai的1部份

这里我们采取例子：

我们有3个物品和1个容量为50的背包，这3个物品分别为:a1<10,60>,a2<20,100>,a3<30,120>.

问题分析之分数背包

为简单期间，我们首先来分析1下分数背包问题。如果要设计1个贪心算法，那末首先要肯定1个贪心策略，换句话说就是要怎样在当前的情况下做出1个公道的贪心选择。

我们首先得到每个物品单位重量的价值vi/wi,那末我们要设计1个贪心策略来使得装入背包物品的价值最大。我们的第1直觉肯定是要选择单位重量价格最高的喽，然后再选择物品里面第2高的，1次类推直到装满背包为止！

下面我们来证明1下上面贪心选择的料想：

证明:

我们首先假定我们有1个最优解A1,那末我们首先找到A1里面平均价值最高的物品am，让后我们将用商品里面平均价值最高的物品a1将am进行全部替换或部份替换得到解A2，又因v1/w1≥vm/wm所以A2的总价值高于A1的总价值，这A1是最优解矛盾，因而得到A1里面包括平均价值最高的物品。

因而我们得到最优子结构Si=Sk+ak，ak是Si里面平均价值最高的，Sk是选择ak剩下来的物品。

代码设计之分数背包问题

依照我们上面描写的分数背包问题的最好贪心策略，每次都选出平均价值最高的物品

/*************************************************

* @Filename: fractionPackage.cc

* @Author: qeesung

* @Email: qeesung@qq.com

* @DateTime: 2015-04⑶0 14:44:28

* @Version: 1.0

* @Description: 贪心策略，分数背包问题

**************************************************/

#include

#include

#include

using namespace std;

#define PACKAGE_CAPACITY 50

/**

* 求得goodslist对应的最大价值,我们首先假定物品依照平均价值降序排序

* @param goodsList 商品列表

* @return 最大价值

*/

unsigned fractionPackage(std::vector > goodsList)

{

unsigned valueSum=0;

unsigned capacitySum=0;

for (int i = 0; i < goodsList.size(); ++i)

{

// 转完这次就退出

if(goodsList[i].second + capacitySum >= PACKAGE_CAPACITY)

{

valueSum+=(PACKAGE_CAPACITY - capacitySum)*(goodsList[i].first/goodsList[i].second);

return valueSum;

}

valueSum+=goodsList[i].first;

capacitySum+=goodsList[i].second;

}

return valueSum;

}

int main(int argc, char const *argv[])

{

std::vector > goodsList;

goodsList.push_back(pair(60,10));

goodsList.push_back(pair(100,20));

goodsList.push_back(pair(120,30));

cout<

while(1);

return 0;

}

运行结果为:

max value is 240

我们这里首先选择平均价值最高的a1放入背包，然后放入a2,由于此时a3不能全部放入背包，因而我们放入a3的1部份进入到背包。这里也很好理解，那就是我们在物品总能装满背包的情况下，背包总是可以被装满的，我们如果要使总价值最高，那我们就应当提升平均的价值密度，那就把平均价值最高的顺次放入背包！

问题分析之0⑴背包问题

为何我们不能用贪心算法来解决0⑴背包问题呢，我们只需要举1个反例就能够了，我们还是依照之前的将平均价值最大的放入背包里面，放入a1,然后a2,a3已不能再放入了，因而我们得到背包物品总价值为60+100=160，但是这个是最优解么？肯定不是,由于只放入a2和a3总价值就到达100+120=220,所以这里我们只能另辟蹊径。

每个物品只有两种选择，那就是放入背包与不放入背包。所以我们要做的就是决定1个物品是放入还是不放入背包。

在求解动态计划问题中，我们首先要做的,就是找到最优子结构和递归表达式。因而我们假定f(i,W)为有<