python贪心算法0-1背包问题_第十六章 贪心算法——0/1背包问题

1、问题描述：

给定n种物品和一背包。物品i的重量是wi，其价值为vi，背包的容量为C。问:应如何选择装入背包的物品，使得装入背包中物品的总价值最大?

形式化描述：给定c >0, wi >0, vi >0 , 1≤i≤n.要求找一n元向量(x1,x2,…,xn,), xi∈{0,1}, ∋ ∑ wi xi≤c,且∑ vi xi达最大.即一个特殊的整数规划问题。

2、最优性原理：

设(y1,y2,…,yn)是 (3.4.1)的一个最优解.则(y2,…,yn)是下面相应子问题的一个最优解:

证明:使用反证法。若不然,设(z2,z3,…,zn)是上述子问题的一个最优解,而(y2,y3,…,yn)不是它的最优解。显然有

∑vizi > ∑viyi   (i=2,…,n)

且                           w1y1+ ∑wizi<= c

因此                       v1y1+ ∑vizi (i=2,…,n) > ∑ viyi, (i=1,…,n)

说明(y1,z2, z3,…,zn)是(3.4.1)0-1背包问题的一个更优解,导出(y1,y2,…,yn)不是背包问题的最优解,矛盾。

3、递推关系：

设所给0-1背包问题的子问题

的最优值为m(i，j)，即m(i，j)是背包容量为j，可选择物品为i，i+1，…，n时0-1背包问题的最优值。由0-1背包问题的最优子结构性质，可以建立计算m(i，j)的递归式:

注:(3.4.3)式此时背包容量为j，可选择物品为i。此时在对xi作出决策之后,问题处于两种状态之一:

(1)背包剩余容量是j,没产生任何效益；

(2)剩余容量j-wi,效益值增长了vi ；

使用递归C++代码如下：

#include

using namespacestd;const int N=3;const int W=50;int weights[N+1]={0,10,20,30};int values[N+1]={0,60,100,120};int V[N+1][W+1]={0};int knapsack(int i,intj)

{intvalue;if(V[i][j]<0)

{if(j

{

value=knapsack(i-1,j);

}else{

value=max(knapsack(i-1,j),values[i]+knapsack(i-1,j-weights[i]));

}

V[i][j]=value;

}returnV[i][j];

}intmain()

{inti,j;for(i=1;i<=N;i++)for(j=1;j<=W;j++)

V[i][j]=-1;

cout<

cout<

}

//3d10-1 动态规划 背包问题

#include

using namespacestd;const int N = 4;void Knapsack(int v[],int w[],int c,int n,int m[][10]);void Traceback(int m[][10],int w[],int c,int n,intx[]);intmain()

{int c=8;int v[]={0,2,1,4,3},w[]={0,1,4,2,3};//下标从1开始

int x[N+1];int m[10][10];

cout<

{

cout<

}

cout<

cout<

{

cout<

}

cout<

Knapsack(v,w,c,N,m);

cout<

Traceback(m,w,c,N,x);

cout<

{if(x[i]==1)

{

cout<

}

}

cout<

}void Knapsack(int v[],int w[],int c,int n,int m[][10])

{int jMax = min(w[n]-1,c);//背包剩余容量上限 范围[0~w[n]-1]

for(int j=0; j<=jMax;j++)

{

m[n][j]=0;

}for(int j=w[n]; j<=c; j++)//限制范围[w[n]~c]

{

m[n][j]=v[n];

}for(int i=n-1; i>1; i--)

{

jMax= min(w[i]-1,c);for(int j=0; j<=jMax; j++)//背包不同剩余容量j<=jMax

{

m[i][j]= m[i+1][j];//没产生任何效益

}for(int j=w[i]; j<=c; j++) //背包不同剩余容量j-wi >c

{

m[i][j]= max(m[i+1][j],m[i+1][j-w[i]]+v[i]);//效益值增长vi

}

}

m[1][c] = m[2][c];if(c>=w[1])

{

m[1][c] = max(m[1][c],m[2][c-w[1]]+v[1]);

}

}//x[]数组存储对应物品0-1向量,0不装入背包，1表示装入背包

void Traceback(int m[][10],int w[],int c,int n,intx[])

{for(int i=1; i

{if(m[i][c] == m[i+1][c])

{

x[i]=0;

}else{

x[i]=1;

c-=w[i];

}

}

x[n]=(m[n][c])?1:0;

}

运行结果：

算法执行过程对m[][]填表及Traceback回溯过程如图所示：

从m(i，j)的递归式容易看出，算法Knapsack需要O(nc)计算时间; Traceback需O(n)计算时间；算法总体需要O(nc)计算时间。当背包容量c很大时，算法需要的计算时间较多。例如，当c>2^n时，算法需要Ω(n2^n)计算时间。