变种 背包问题_算法导论学习笔记（八）：背包问题

转载请注明原作者 @yoshino，强烈要求简书支持TOC目录和数学公式的输入！

更新不及时，有空慢慢写吧，原文是写在Bear上粘贴来简书的，可能格式有点乱。

具体的工程在我的github上。

一个正在抢劫商店的小偷发现了n个商品，第i个商品的价值vi元，重wi磅，小偷希望拿走价值尽量高的商品，但是他的背包只能容纳W磅商品，怎么选择才能拿走价值最大的商品？

根据算法导论书上原题和自定一些条件，把这题条件定义如下：

int[] n = new int[]{0, 3, 3, 3};//为了配合算法，下标都是从1开始,表示每件商品的数量

int[] w = new int[]{0, 10, 20, 30};//表示每件商品的重量

int[] v = new int[]{0, 60, 100, 120};//表示每件商品的价值

int W = 50;//背包的容积

背包问题分为两种：

0-1背包问题(0-1 knapsack problem)：商品不可分，小偷只能完整拿走或者不拿走，或者同一个商品拿走多次

分数背包问题(fractional knapsack problem):商品可分，小偷可以拿走商品的部分

问题分析

分数背包问题

分数背包问题是典型的贪心算法，只要计算出商品的每磅价值vi/wi，贪心地选择每磅价值最高的商品即可

public void fracKnapsack(int[] n, int[] w, int[] v, int W) {

int[] value = new int[n.length];//计算每件商品的单磅价值大小

int[] result = new int[n.length];//存储取用结果

value[0] = 0;

result[0] = 0;

for (int i = 1; i < n.length; i++) {

value[i] = v[i] / w[i];//计算每磅价值

n[i] = n[i] * w[i];//计算每件商品一共有多少磅

result[i] = 0;

}

while (W > 0) {

int pos = getMax(value);

if (n[pos] > 0) {

while (n[pos] > 0) {

result[pos]++;

n[pos]--;

W--;

}

}

if (n[pos] == 0) {

value[pos] = 0;

continue;

}

}

int sum = 0;

System.out.println("拿走物品结果：");

for (int i = 1; i < result.length; i++) {

System.out.println("物品编号：" + i + " 数量：" + result[i] / w[i] + " 单价：" + v[i]);

sum = sum + (result[i] * v[i] / w[i]);

}

System.out.println("总价值为： " + sum);

}

private int getMax(int[] value) {//找出单磅价值最大的商品编号

int pos = 0;

int max = 0;

for (int i = 1; i < value.length; i++) {

if (value[i] != 0) {

if (max < value[i]) {

max = value[i];

pos = i;

}

}

}

return pos;

}

0-1背包问题

0-1背包问题不能用贪心算法来解决，原因很简单，使用贪心算法会留下空间，无法完全填满背包，浪费的空间会造成单磅价值的下降，所以必须采用动态规划。

0-1背包问题是动态规划中最基础的问题，后面还会有各种背包问题，这仅仅是0-1背包问题的变种.

我们假设f(i,W)是，有i个商品，背包容积为W时的最优解，对于一个新的商品ai，有两种不同的情况：

ai的重量wi大于背包容积，则无法将其放入背包，商品的数量变为i+1

ai的重量wi小于等于W，则将其放入背包，剩下的背包容积为W-wi，或者不放，取两者之间较大的值。

状态转移方程可以写成：

f[i][W]=max{f[i-1][W],f[i-1][W-w[i]]+v[i]}

最优子结构可以表示成下面公式

...

\\对应的latex公式代码,不支持latex真麻烦

$$

f(i,W)=

\begin{cases}

f(i-1,W)&&,w_i>W\\

max[f(i-1,W),&f(i-1,W-w_i)+v_i]&,w_i\le W

\end{cases}

$$

public void zeroOneKnapsack(int[] n, int[] w, int[] v, int W) {//带备忘的自顶向下法

int[][] result = new int[n.length][W + 1];//建立最优解矩阵，result[有前i种商品][背包容量W]

for (int i = 0; i <= W; i++) {

result[0][i] = 0;//初始化

}

for (int i = 1; i < n.length; i++) {//商品i种，从1开始

for (int j = 0; j <= W; j++) {//容量大小，从0到W

if (w[i] > j) {//无法放入背包，根据最优子结构可知

result[i][j] = result[i - 1][j];

} else if (w[i] <= j) {//放入背包中

int maxProfit = 0;

maxProfit = Math.max(result[i - 1][j], result[i - 1][j - w[i]] + v[i]);//选择放还是不放

result[i][j] = maxProfit;//存储最优解

}

}

}

System.out.println(result[n.length - 1][W]);

}

其它背包问题

完全背包问题

相比于0-1背包问题，每件物品的个数已经变成无限个。

求解思路

我们可以转化为0-1背包问题来求解，将k件一种物品拆成k种价值一样的物品，这样就可以采用上述代码写了。但是这样写增大了空间复杂度，也没有改进时间复杂度。

还有一种方法是转化成二进制思想，不太清楚如何写的，其实思想也是分成0-1背包问题来解决的

多重背包问题

介于完全背包问题和0-1背包问题之间，第i种物品有n[i]件，其余条件不变

求解思路

同样的，可以拆解成0-1背包问题，这样的话就大大地增加空间复杂度了

结语

通过对背包问题的学习，基本上困难的算法问题到最后都是可以求解成最简单的0-1背包问题，基础还是很重要。