直接抱过来dd大牛的《背包九讲》来做笔记

P01: 01背包问题 
题目 
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: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”;

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]。 

注意f[i][v]有意义当且仅当存在一个前i件物品的子集,其费用总和为v。所以按照这个方程递推完毕后,最终的答案并不一定是f[N] [V],而是f[N][0..V]的最大值。如果将状态的定义中的“恰”字去掉,在转移方程中就要再加入一项f[i][v-1],这样就可以保证f[N] [V]就是最后的答案。至于为什么这样就可以,由你自己来体会了。 

这里的第二层循环正序逆序皆可以。

 1 for (int i=1; i<=n; ++i)
 2 {
 3     for (int j=v; j>=0; --j)  
 4     {
 5         if(c[i]<=j)//如果当前物品可以放入当前空间的背包
 6         {
 7             f[i][j]=max(f[i-1][j],f[i-1][j-c[i]]+w[i]);
 8         }
 9         else
10         {
11             f[i][j]=f[i-1][j];//如果当前物品放不进去,那么继承前i个物品在当前空间大小时的价值
12         }
13            
14     }
15 }

 

 

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)。 

以上是用二维数组存储的,其实还可以用一维数组存储进行空间优化(滚动数组)

从上面计算f[i][j]可以看出,在计算f[i][j]时只使用了f[i-1][0……j],所以说并没有使用其他子问题,所以说在存储子问题解的时候,只用存储f[i-1]的子问题解即可;所以说可以用一个一维数组替换掉那个二维数组,一个存储子问题,一个存储正在解决的子问题。

我们用f[v]表示当前状态是容量为v的背包所得价值

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。

 

关于第二层循环为什么需要逆序?

不妨手写一组数据

背包容积 8

物品序号 1 

体积  4

价值  3

现在我们用正序遍历一遍

当i = 1时

f[0] = 0 ,f[1] = 0,f[2] = 0,f[3] =0    (显然当前容积小于该物品的体积,自然就放不进去,统统初始化为0)

f[4] = max( f[4],f[0]+3) 即f[4] = max(0,0+3) = 3;

f[5] = max( f[5],f[1]+3) 即f[5] = max(0,0+3) = 3;

f[6] = max( f[6],f[2]+3) 即f[6] = max(0,0+3) = 3;

f[7] = max( f[7],f[3]+3) 即f[7] = max(0,0+3) = 3;

f[8] = max( f[8],f[4]+3) 即f[8] = max(0,3+3) = 6;

大家快看!!!!!!!!!!!!

有奇怪的事发生了,人群之中竟然钻出了两个.....两个f[4]!!!

那么问题来了,还记得01背包的性质么?这个序号为1的物品竟然用了两次!!!

相信已经有许多人发现了问题的真相了,不过不懂也不要紧,让我们来看看逆序遍历后的结果。

f[8] = max(f[8],f[4]+3)即f[8] = max(0,0+3) = 3;

f[7] = max(f[7],f[3]+3)即f[7] = max(0,0+3) = 3;

f[6] = max(f[6],f[2]+3)即f[8] = max(0,0+3) = 3;

f[5] = max(f[5],f[1]+3)即f[5] = max(0,0+3) = 3;

f[4] = max(f[4],f[0]+3)即f[4] = max(0,0+3) = 3;

 f[3] = 0,f[2] = 0,f[1] = 0,f[0] = 0

不知道大家发现没有,逆序遍历在向前滚动的时候并没有对更小体积的清况进行更新,而正序时却对同一件物品进行了多次操作。

大家请看更新过程

f[4] -> 3

f[4] -> f[8]

我们先更新了f[4](0 -> 3)

却又用了已经被更新过的f[4] 来更新 没有更新过的f[8]

就相当于容积为4时已经有了物品1,而在容积为8时却还要再装一件物品1,相信如果容积更大,f[4[也会不断去更新别人,这显然是违背题意的。

 

 1 for(i=1;i<=n;i++)
 2 {
 3     for(j=V;j>=0;j--)
 4     {
 5         if(j>=c[i])
 6         {
 7             dp[j]=max(dp[j-c[i]+w[i],dp[j]);
 8         }
 9     }
10 }

 


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完全背包最简捷的解决方案,因为完全背包不会记物品的个数,爱装几个就装几个。

总结 
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。 

 

 

P02: 完全背包问题 
题目 
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则不是常数了,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。 

 1 for (i = 1; i < n; i++)
 2 {
 3     for (j = 1; j <= v; j++)
 4     {
 5         for (k = 0; k*c[i] <= j; k++)
 6         {
 7             if(c[i]<=j)///如果放得下 
 8             {
 9                 f[i][j]=max{f[i][j],f[i-1][j - k * c[i]] + k * w[i]};
10             }
11             else ///如果放不下 
12             {
13                 f[i][j]=f[i-1][j];
14             }
15         }
16     }
17 }

 

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。 

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。

1 for (int i = 1; i <= n; ++i)
2 {
3     for (int j = w[i]; j <= v; ++j)
4     {
5         f[j] = max(f[j], f[j - c[i]] + v[i]);
6     }
7 }

 


你会发现,这个代码与P01的代码只有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。 

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。 

P03: 多重背包问题 
题目 
N种物品和一个容量为V的背包。第i种物品最多有n[i]件可用,每件费用是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。 

基本算法 
这题目和完全背包问题很类似。基本的方程只需将完全背包问题的方程略微一改即可,因为对于第i种物品有n[i]+1种策略:取0件,取1件……取 n[i]件。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,则:f[i][v] = max { f[i-1] [v-  k*c[i] ]+ k*w[i] |0<=k<=n[i] }。复杂度是O(V*∑n[i])。 

转化为01背包问题 
另一种好想好写的基本方法是转化为01背包求解:把第i种物品换成n[i]件01背包中的物品,则得到了物品数为∑n[i]的01背包问题,直接求解,复杂度仍然是O(V*∑n[i])。 

转载于:https://www.cnblogs.com/wkfvawl/p/9709364.html

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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