背包问题可能解的数量_【crash DP】无限背包问题的三种解法之二和三

❝

今天继续昨天的无限背包问题，给出解法二和三。没有看昨天文章的，请先看一下吧。

❞

问题回顾

给定N个物品的重量和价值，要求将这些物品放在承重量为C的背包中。目标是从背包中的物品中获得最大的价值，物品的数量可以假设是无限的。

假设物品是水果，如下所示：

项目：{苹果，橘子，甜瓜}

重量：{1，2，3}

价值：{15，20，50 }

背包承重量：5

让我们尝试将不同种类的水果放入背包中，使它们的总重量不超过5。

5苹果(总重量5)=> 75

1苹果+ 2橙子(总重量5)=> 55

2苹果+ 1瓜(总重量5)=> 80

1 苹果+ 1瓜(总重量5)= > 70

这表明2个苹果+ 1个瓜是最好的组合，因为它给我们带来最大的价值，并且总重量不超过背包承重量。

从上到下加记忆

这个思路相当的直接，就是做个缓存。唯一有点技术含量的就是如何确定缓存的形式。在我们的暴力搜索算法中，我们观察它的递归形式：

profit1 = profits[currentIndex] + solve_knapsack_recursive(dp, profits, weights, capacity - weights[currentIndex], currentIndex)

profit2 = solve_knapsack_recursive(
      dp, profits, weights, capacity, currentIndex + 1)

不难发现，在递归调用中，有两个变量，分别是capacitiy和currentIndex，这不是正好可以用二维数组吗。一个维度是capacitiy，一个维度是currentIndex，数组值就代表子问题的解。

代码实现如下：

def solve_knapsack(profits, weights, capacity):
# 初始化为-1，代表无效的值
  dp = [[-1 for _ in range(capacity+1)] for _ in range(len(profits))]
return solve_knapsack_recursive(dp, profits, weights, capacity, 0)


def solve_knapsack_recursive(dp, profits, weights, capacity, currentIndex):
  n = len(profits)
# 基本问题的解
if capacity <= 0 or n == 0 or len(weights) != n or currentIndex >= n:
return 0

# 缓存未命中，进行计算
if dp[currentIndex][capacity] == -1:
    profit1 = 0
if weights[currentIndex] <= capacity:
      profit1 = profits[currentIndex] + solve_knapsack_recursive(
        dp, profits, weights, capacity - weights[currentIndex], currentIndex)

    profit2 = solve_knapsack_recursive(
      dp, profits, weights, capacity, currentIndex + 1)
# 缓存子问题的解
    dp[currentIndex][capacity] = max(profit1, profit2)

return dp[currentIndex][capacity]

这个问题的时间复杂度是。就是二维数组的元素个数。空间复杂度是，NC就是缓存数组的大小，N是递归调用栈需要的空间。

自底向上的动态规划

所谓自底向上，其实就是换个方式来填充上面解法中的二维数组，没有更多的技术含量。

只是有一点不同，这时，二维数组中(i,j)处的值，代表的是对于capacity=j，可选物品为0-i时，问题的最优解。

但在自上而下的解法中， i的含义是可选物品为i-n时，问题的最优解。

具体怎么填充呢？

当capacity为c时，currentIndex=i时。我们需要从0-i的物品中选择进行填充。

所有的组合无非就是两类：

• 不包含物品i的组合。对于这类组合，dp[i-1][c]就是它们的最优解。

• 包含物品i的组合。对这类组合，最优的解就是profit[i] + dp[i][c-weight[i]]。

然后，我们只需要在这两类最优解中选择价值更大的即可。

dp[i][c] = max (dp[i-1][c], profit[i] + dp[i][c-weight[i]])

代码实现如下：

def solve_knapsack(profits, weights, capacity):
  n = len(profits)
# 边界检查
if capacity <= 0 or n == 0 or len(weights) != n:
return 0

  dp = [[-1 for _ in range(capacity+1)] for _ in range(len(profits))]

# 填充承重量为0的情况
for i in range(n):
    dp[i][0] = 0

# 对每一个子数组，对每一个承重量的最优解进行填充
for i in range(n):
for c in range(1, capacity+1):
      profit1, profit2 = 0, 0
if weights[i] <= c:
        profit1 = profits[i] + dp[i][c - weights[i]]
if i > 0:
        profit2 = dp[i - 1][c]
      dp[i][c] = profit1 if profit1 > profit2 else profit2

#返回最终结果
return dp[n - 1][capacity]

ok！至此我们就学习完了背包问题。我建议那些对动态规划心有怯怯的同学。先不要着急做很多的动态规划的题。你就下功夫把我现在的几篇文章认真研读几遍，确保你是真正的理解了。

后面的系列教程中，你会发现，动态规划的基本思想是不变的，无非就是加了一些限制条件而已。