这篇文章将背包问题和动规做一个整理复习。
背包问题的本质上是一个选择问题,即通过选择来得到最大价值或各种各样的性质。
动态规划基础知识
DP 问题我们一般的思路是先确定解法的基本形式,再在它的基础上做优化。
首先我们对DP问题的分析流程做一下定义, 对于DP问题我们要确定的要素主要为
(1) 状态表示 :dp 元素表示的是哪个集合
(以01背包问题为例: (i, j) 代表了只考虑在 1~i 范围内选择物品,并且体积小于等于 j 的所有状态的集合)
存的数是表示集合的哪一个属性(目标)
(以01背包问题为例:dp(i, j) 代表了(i, j)代表的所有状态集合中最大价值)
动态规划一般包含(MIN, MAX, COUNT)三种目标。
(2) 状态计算(状态转移方程):对应的是集合的划分,如何将当前的集合dp( i,j )划分成几个更小的子集。
(1) 01背包问题
(1.1) Solution 1 : 二维动态规划
了解了这些以后我们就可以基于这个思路对01背包问题做一些分析:
(1) 当
(2) 当
#include <iostream>
#include <vector>
#define N 1100
using namespace std;
int main(void){
int n, m;
int v[N], w[N];
int dp[N][N];
cin >> n >> m;
for(int i = 1; i <= n; i++) cin >> v[i] >> w[i];
for(int i = 1; i <= n; i++){
for(int j = 0; j <= m; j++){
if(j-v[i] >= 0) dp[i][j] = max(dp[i-1][j], dp[i-1][j-v[i]]+w[i]);
else dp[i][j] = dp[i-1][j];
}
}
cout << dp[n][m];
return 0;
}
(1.2) Solution 2: 状态压缩 : 一维动态规划
dp问题的所有优化都是在代码上做等价变形 , 和问题本身无关,只和代码逻辑有关。 01背包在时间复杂度上没法再优化, 从空间上我们其实还能做一些优化。
- 首先其实可以发现整个转移方程中对于 i 这一维,只用到了i -1, 所以我们其实并不需要记录所有的dp[i][..],相反只需要用单个变量记录即可(滚动数组)。这样我们可以得出
- 在去除dp 数组的 i 这一维后,我们碰到了一些问题:对于 j 这一维因为 j - v[i] < j , 所以实际上 dp[j-v[i]] 这个状态已经被计算过了,这代表了什么呢,每次循环开始时 dp[j] 记录的是dp[i-1][j]的信息,而循环结束更新后 dp[j] 记录的则为