1. 完全背包问题
1.0 题目
有 N N N 种物品和一个容量是 V V V 的背包,每种物品都有无限件可用。第 i i i 种物品的体积是 v i v_i vi,价值是 w i w_i wi。
求解: 将哪些物品装入背包,可使这些物品的总体积不超过背包容量,且总价值最大。输出该最大价值。
【输入格式】
第一行两个整数,N,V,用空格隔开,分别表示物品数量和背包容积。
接下来有 N 行,每行两个整数 vi,wi,用空格隔开,分别表示第 i 件物品的体积和价值。
【输入样例】
4 5
1 2
2 4
3 4
4 5
【输出格式】
输出一个整数,表示最大价值。
【输出样例】
10
1.1 解法一(不建议)
完全背包问题与 01背包问题 的区别就是 —— 完全背包问题中,每一件物品都可以选多次。
在01背包问题的一维解法中,状态转移为:
dp[j] = Math.max(dp[j], dp[j - items[i][0]] + items[i][1]);
表示:取第 i
个物品时,枚举 背包容量 j ∈ [ 不含第i个背包的剩余容量 , maxVolumn]
下的最大价值。
对于完全背包问题,一个简单的思路是:
直接在01背包的一维 dp 的基础上,再在内部增加一个 for 循环,决定每次加多少个(k
个)物品 i
。
(其中 k * i的体积 < maxVolumn
)
代码
// 愚蠢解法
private int solution(int num, int maxVolumn, int[][] items) {
if (num == 1 && items[0][1] <= maxVolumn) return items[1][1];
if (num == 1) return 0;
// 【背包容量为 i 】时候的最大价值
int[] dp = new int[maxVolumn + 1];
for (int i = 1; i <= num; i++) { // 对于前 i 个物品
for (int j = maxVolumn; j >= items[i][0]; j--) { // 【从大到小】枚举背包容量 j
for (int k = 0; k * items[i][0] <= j; k++) { // 选 k 个物品i
dp[j] = Math.max(dp[j], dp[j - k * items[i][0]] + k * items[i][1]);
}
}
}
return dp[maxVolumn];
}
显然,这种方法的时间复杂的太高了,有必要进一步优化。但是好歹给了我们一个思路:完全背包问题是可以被转化成 01背包 的。
1.2 解法二
在 01背包问题 的一维解法中,我们的内层循环是 从大到小 倒序枚举的。这是为了保证状态转移时,【备选 dp 值 dp[j - items[i][0]]
是 i-1
状态下的值,而不是 i
状态下的】。
而在完全背包问题中,每一个物品都能选不止一次,直接将上述枚举过程改为 从小到大 即可。这是因为 dp[j - items[i][0]]
是 i
状态下的值,此时已经考虑了多个物品 i
的情况了。
(因为 dp[j - items[i][0]]
有可能等于 dp[items[i][0]]
、dp[2 * items[i][0]]
、… dp[k * items[i][0]]
)
代码
private int solution(int num, int maxVolumn, int[][] items) {
if (num == 1 && items[0][1] <= maxVolumn) return items[1][1];
if (num == 1) return 0;
// 【背包总体积是 i 时】,最大价值是多少(不一定放满)
int[] dp = new int[maxVolumn + 1];
for (int i = 1; i <= num; i++) {
for (int j = items[i][0]; j <= maxVolumn; j++) { // 从小到大枚举背包容量 j
dp[j] = Math.max(dp[j], dp[j - items[i][0]] + items[i][1]);
}
}
return dp[maxVolumn];
}