o-1背包问题迭代_0-1背包问题还有它的衍生问题的解决思路

---

0-1 背包问题

0-1背包问题是经典的动态规划问题，它有两种衍生的问题形式，我们称之为完全背包问题和多重背包问题

基本的0-1背包问题：

热动分析.jpg

给一个capacity为n的背包，能装weight总共不超过n的物品，给定m个物品，每一个物品具有价值value和重量weight,我们希望能装的物品value的总和越大越好，那么应该怎么做呢？

#include 

以上这个代码基本就是解决基本0-1背包问题的算法思路了，我们可以看到，问题解决的关键在于找到一条合理的状态转移方程，所以我们考虑用一个合适的“容器”，用来记录一些中间状态，比如dp_cache[i][j]用来表示：

考虑前i个物品（1,...,i）中，在容量为j的情况下能够装下的物品的最大价值。为了减少思维负担，我们信任这个最大价值，并且认为他是最优的，那么下一步的问题就是我们要不要在继续装下一个物品

那么问题就转化成dp_cache[i + 1][j]究竟是容量不够没有装下第 i+1 个物品，还是装下了却得不偿失所以不装，还是装下了确实地能够提高整体容纳物品的价值总和，所以我们会有下面的思考

dp_cache[i + 1][j] = k

• 当不能装下这个物品（第i + 1个物品），也就是j比第i + 1个物品的的重量要小，那么自然而然不装下第i + 1个物品，k就是dp_cache[i][j]
• 当能够装下这个物品，那么我们需要考虑要不要装下它，是否值得
  • 如果值得，那么k就是dp_cache[i][j - weight[i + 1]] + value[i + 1]，也就是考虑前i个物品，在容量为j - weight[i+1]扣除第i+1个物品的剩余容量的最佳值加上装入的新物品的价值之和
  • 否则，保持不变，也就是k = dp_cache[i][j]比装入这个物品后的情况(dp_cache[i][j - weight[i + 1]] + value[i + 1])要大，那么我们不装入这个新的物品

为了方便下面我们使用dp数组代指dp_cache

这里注意一下

值得注意的是，我们在迭代的过程中，要求dp[i][j]需要考虑的“原材料”，也就是我们所说的迭代前项，是dp[i-1][0,1,2,...,j]与本行的数据都没有关系（指dp[i][0,1,2,3,...,j - 1]），仅仅只用到了上一行的数据，也就是说，将暂存数组从二维优化为一维是可能的

| xx1 | xx2 | xx3 |

| oo1 | oo2 | tag |

如上表所示，要求tag，那么xx是需要用到的，oo是用不到的，而要求第二行第二列的值，也只需要第一行第一列，第一行第二列的值作为推导的前项。

假如我们只用一个一维数组dp_cache来暂存价值信息，并且我们还只有第一行的数据

他现在长这样

| xx1 | xx2 | xx3 |

现在，我们要求下一行第一个数据oo1，没问题，直接使用这个一维数组的第一个数据递推

他现在长这样

| oo1 | xx2 | xx3 |

接下来，我们要求下一个数据oo2，但是问题出现了，求oo2需要xx1还有xx2，但是xx1已经被覆盖了，这样的话我们这个想法就宣告失败了。

那么，如果我们倒着来求dp[i+1][0...j]呢？

我们先求oo3(也就是之前的tag)，oo3需要xx1, xx2, xx3来递推得到，也确实有，所以我们顺利得到oo3

这样，这个表现在长这样

| xx1 | xx2 | oo3 |

我们再求oo2，需要xx2和xx1，可以得到

| xx1 | oo2 | oo3 |

最后我们需要求oo1,可以由xx1推导得到

| oo1 | oo2 | oo3 |

这样，我们前i + 1个物品的dp数组已经求出来了

所以相对应的，我们可以把我们的算法代码优化一下,注意由于dp_cache结构改变init()函数也应当改变

// 新初始化函数

这样，第二个版本的算法执行函数就出来了

// 第二个版本

如果j小于weight[i]那么，显然是没有继续往下遍历的必要了，所以可以继续改为

// 最终版本

以上，就是0-1背包问题的解法了，假设物品有m个，背包容量为n,他的空间复杂度是O(n)，时间复杂度是O(n*m);

时间上应该是可以再优化的（比如说最后一次迭代不去求dp[m][0....j-1]，直接返回dp[m][n]也就是dp_cache[n]），但是O(n*m)的时间复杂度还是逃不掉的

完全背包问题

魔法分析.jpg

给一个capacity为n的背包，能装weight总共不超过n的物品，给定m种物品，每一种物品具有价值value和重量weight,我们希望能装的物品value的总和越大越好，那么应该怎么做呢？

注意这个问题和基本0-1背包问题的区别！！！

注意这个问题和基本0-1背包问题的区别！！！

注意这个问题和基本0-1背包问题的区别！！！

m种物品的数量是不限的！

m种物品的数量是不限的！

m种物品的数量是不限的！

有的小伙伴这个时候就有点懵逼了，那咋办啊，暴力遍历一下啊？

// 我们假设初始化函数没有问题

这种做法简单粗暴够直接，我喜欢，但是它没有利用到同一行的数据

我们记

k1 = dp[i][j] + value[i]
k2 = dp[i - 1][j + weight[i]]

dp[i][j]代表的是前 i 种物品在 j 这个容量下的最优值，我们足够地信任他,那么当我们考虑dp[i][j + weight[i]]的值的时候，我们要作出一个判断，是继续装第 i 种物品更加合适还是只考虑前 i - 1 种但是容量增大更合适

也就是说

记 x = j + weight[i]
dp[i][x] = max(dp[i][x - weight[j]] + value[i], dp[i - 1][x])
dp[i][x] = max(k1, k2)

这样的话，我们就可以得到相对不那么暴力的算法了

// 第二版

发现了没有，dp[i][j]的递推的“原材料”是dp[i][j-w]还有dp[i-1][j]

我们是否可以效仿之前提到的做法，优化这个算法的空间复杂度，将二维暂存数组转化为一维数组以节省空间呢

当然可以！！

由于之前详细讲过转化成滚动数组的验证方法，这里只是给出较为简略的说明

这是二维数组版本

| xx1 | xx2 | xx3 |

| oo1 | oo2 | oo1 |

好的，现在假设我们已经得到了前 i - 1 种的结果 xx1 xx2 xx3

| xx1 | xx2 | xx3 |

现在我们要求 oo1, oo1需要xx1还有边界的0（希望这个无需说明）作为递推的前项

现在这个表长这样

| oo1 | xx2 | xx3 |

现在我们要求 oo2，oo2要求同一行的前置位已经求出和同一列的前置位已经求出，也就是ooX(X < 2)还有xx2的数据作为递推的前项，这里刚好满足，所以我们填下oo2

现在这个表长这样

| oo1 | oo2 | xx3 |

现在我们要求 oo3，oo3要求同一行的前置位已经求出和同一列的前置位已经求出，也就是ooX(X < 3)还有xx3的数据作为递推的前项，这里刚好满足，所以我们填下oo3

现在这个表长这样

| oo1 | oo2 | oo3 |

大功告成

我们反过来思考一下，为什么基本的0-1背包问题的递推要避开同一行的数据而不得不倒着遍历？

恰恰是因为要避免重复装入第i个物品

而在完全背包问题中，我们要反其道行之,就是要考虑可能的重复装入情况，这样最终的代码反而是非常简洁的

// 最终版，初始化函数什么的自己去改，这里只展示proc函数

代码仅供参考

多重背包问题

不想分析.jpg

你直接把它转换成基本0-1背包问题不就完事了么，这题摸了

结束

最后祝您，身体健康，再见