可行性背包:例如要求不超过target时能拼出的最大重量
计数型背包:要求有多少种方式拼出重量target
最值型背包:要求能拼出的最大价值
0-1背包问题:
有N件物品和一个最多能被重量为W 的背包。第i件物品的重量是weight[i],得到的价值是value[i] .每件物品只能用一次,求解将哪些物品装入背包里物品价值总和最大。
步骤一、确定状态:
确定dp数组以及下标的含义
对于背包问题,有一种写法, 是使用二维数组,即dp[i][j] 表示从 下标为[0-i]的物品里任意取,放进容量为j的背包,价值总和最大 是多少。
步骤二、推断状态方程:
再回顾一下dp[i][j]的含义:从下标为[0-i]的物品里任意取,放进容量为j的背包, 价值总和最大是多少。
那么可以有两个方向推出来dp[i][j],
所以递归公式: dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]);
步骤三、规定初始化和边界:
dp[0][j],即:i为0,存放编号0的物品的时候, 各个容量的背包所能存放的最大价值。
那么很明显当 j < weight[0]的时候,dp[0][j] 应该是 0,因为背包容量比编号0的物品重量还 小。
当j >= weight[0]时,dp[0][j] 应该是 value[0],因为背包容量放足够放编号0物品。
def test_2_wei_bag_problem1(bag_size, weight, value) -> int:
rows, cols = len(weight), bag_size + 1
dp = [[0 for _ in range(cols)] for _ in range(rows)]
res = 0
# 初始化dp数组
for i in range(rows):
dp[i][0] = 0
first_item_weight, first_item_value = weight[0], value[0]
for j in range(cols):
if first_item_weight <= j:
dp[0][j] = first_item_value
# 更新dp数组, 先遍历物品,再遍历背包
for i in range(len(weight)):
cur_weight, cur_val = weight[i], value[i]
for j in range(1, cols):
if cur_weight > j: # 说明当前背包装不下当前物品
dp[i][j] = dp[i-1][j]
else:
# 定义dp数组,dp[i][j] 前i个物品里,放进容量为j的背包,价值容量最大是多少
dp[i][j] = max(dp[i-1][j], dp[i-1][j-cur_weight] + value[i])
if dp[i][j] > res:
res = dp[i][j]
return res
步骤一、确定状态:
确定dp数组以及下标的含义
在一维dp数组中,dp[j]表示:容量为j的背包,所背的物品价值可以最大为dp[j]。
步骤二、推断状态方程:
dp[j] = max(dp[j], dp[j - weight[i]] + value[i]);
步骤三、规定初始化和边界:
dp数组在推导的时候一定是取价值最大的数,如果题目给的价值都是正整数那么非0下标都初始 化为0就可以了。
这样才能让dp数组在递归公式的过程中取的最大的价值,而不是被初始值覆盖了。
步骤四、计算顺序:
倒叙遍历是为了保证物品i只被放入一次!。但如果一旦正序遍历了,那么物品 0就会被重复加入多次!
def test_2_wei_bag_problem(bag_size, weight, value):
# 初始化 全为0
dp = [0] * (bag_size + 1)
# 先遍历物品,在遍历背包容量
for i in range(len(weight)):
for j in range(bag_size, weight[i]-1, -1):
dp[j] = max(dp[j], dp[j-weight[i]] + value[i])
print(dp)
weight = [1, 3, 4]
value = [15, 20, 30]
bag_size = 4
test_2_wei_bag_problem(bag_size, weight, value)