动态规划将大问题拆分为小问题,但是关键在于,小问题不会被重复调用。
01背包
背包问题的问题描述为:有 N N N种物品,和一个容量是 V V V的背包。每件物品只能使用一次。第 i i i件物品的体积是 v ( i ) v(i) v(i),价值是 m ( i ) m(i) m(i)。求解将哪些物品装入背包,可使得这些物品的总体积不超过背包容量,且总价值最大。
-
暴力:每件物品只有取或者不取两种情况,算法复杂度 O ( 2 n ) O(2^{n}) O(2n)。显然不行。
-
动态规划:动态规划第一步描述状态。对于上述问题,我们将状态表示为我们总共有 i i i种物品和容量为 j j j的背包。对,没错!状态就是描述当前的这样一种事实!之后我们还需要定义一个东西,值函数,用来描述当前状态的总价值。因为这里有两个变量 i i i和 j j j,所以我们用一个二维数组 s [ i ] [ j ] s[i][j] s[i][j]来表示。
到这里,我们需要的一些定义就定义完了。为了进一步加深对上述符号的定义理解,我们举个例子:
- 当给定的背包的容量 j = 0 j=0 j=0时,不管这个时候有多少物品,背包都装不下,其总价值都为 0 0 0。也就是 s [ i ] [ 0 ] = 0 s[i][0]=0 s[i][0]=0,其中 i i i任意取。
- 当然,当不给物品时,即 i = 0 i=0 i=0时,不管背包有多大,其总价值也都为
0
。
到这,我们分析了两种极端情况的值函数,再多考虑一下:当给定的物品为1
种物品,也就是 i = 1 i=1 i=1时,只有当背包的容量 j j j大于等于这个物品的体积 v ( 1 ) v(1) v(1)时( j ≥ v ( 1 ) j \geq v(1) j≥v(1))才能装地下,然后拿到其对应的价值 m ( 1 ) m(1) m(1),此时, s [ 1 ] [ v ( i ) ] , s [ 1 ] [ v ( i ) + 1 ] ⋯ s[1][v(i)], s[1][v(i)+1] \cdots s[1][v(i)],s[1][v(i)+1]⋯都等于 m ( 1 ) m(1) m(1)。否者,非常可惜,因为装不下,只能价值表示为 0 0 0, s [ 1 ] [ 0 ] , ⋯ , s [ 1 ] [ v ( i ) − 1 ] s[1][0], \cdots , s[1][v(i)-1] s[1][0],⋯,s[1][v(i)−1]都等于 0 0 0。所以在给定第1
种物品时,对于任意的背包容量 j j j,可以知道 s [ 1 ] [ j ] s[1][j] s[1][j]的值。
不失一般性,对于任意给定的 i i i种物品和背包容量 j j j时,值函数 s [ i ] [ j ] s[i][j] s[i][j]如何计算呢?我们用递推来推导一下。对于任意的 j j j, s [ 1 ] [ j ] s[1][j] s[1][j]怎么来算呢? s [ 1 ] [ j ] s[1][j] s[1][j]与 s [ 0 ] [ j ] s[0][j] s[0][j]相比,就是增加了一个物品1
可供选择。可以选择要这个物品1
或者是不要这个物品1
。
- 不要这个物品
1
:如果选择不要,那么此时 s [ 1 ] [ j ] = s [ 0 ] [ j ] s[1][j]=s[0][j] s[1][j]=s[0][j]。不失一般性表示为 s [ i ] [ j ] = s [ i − 1 ] [ j ] s[i][j]=s[i-1][j] s[i][j]=s[i−