背包问题

最新推荐文章于 2023-07-23 08:29:49 发布

云端一散仙

最新推荐文章于 2023-07-23 08:29:49 发布

阅读量144

点赞数

分类专栏： Leetcode 文章标签：动态规划

本文链接：https://blog.csdn.net/weixin_44347020/article/details/108131164

版权

Leetcode 专栏收录该内容

9 篇文章 0 订阅

订阅专栏

0-1背包

$p [i] [j]$ 中， $i$ 表示背包中放入第 $i$ 个物体， $j$ 表示当前背包的容量大小
$p [i] [j] = m a x (p [i - 1] [j] ， p [i - 1] [j - w e i g h t [i - 1]] + v a l u e [i - 1])$ 表示，放入第 $i$ 个物体时，我们需要判断是否需要放入这个物体，会使价值更高。
$p [i - 1] [j]$ 表示不放入第 $i$ 个物体，价值是多少
$p [i - 1] [j - w e i g h t [i - 1]] + v a l u e [i - 1]$ 表示放入第 $i$ 个物体时，用现在容量减去 $i$ 物体的重量后背包的总价值加上i物体的价值

def knapback(weight, value, n):
    len_weight = len(weight)
    p = [[0]*(n+1) for i in range(len_weight + 1)]
    for i in range(1, len_weight+1):
        for j in range(1, n+1):
            if weight[i-1] > j:
                p[i][j] = p[i-1][j]
            else:
                p[i][j] = max(p[i-1][j], p[i-1][j-weight[i-1]] + value[i-1])
    return p[len_weight][n], p

0-1背包的优化，只能在空间上优化

我们可以看出 $p [i] [j]$ 和 $p [i - 1] [j]$ 有关系，正向推，就是上述逻辑，由 $p [i - 1] [j]$ 推出 $p [i] [j]$ ，反向推，就可以由 $[i] [j]$ 推出 $p [i - 1] [j]$

def rev_knapback(weight, value, n):
    len_weight = len(weight)
    p = [0] * (n + 1)
    for i in range(0, len_weight):
        for j in range(n, -1, -1):
            if j >= weight[i]:
                p[j] = max(p[j], p[j - weight[i]] + value[i])
    return p

完全背包

$p [i] [j] = m a x (p [i - 1] [j] ， p [i] [j - w e i g h t [i - 1]] + v a l u e [i - 1])$ ，有改动的地方就在于每个物体都可以重复装入背包，所以，要在当前的容量下减去当前物体的重量
$p [i] [j - w e i g h t [i - 1]] + v a l u e [i - 1]$ 表示放入第 $i$ 个物体时，用现在容量减去 $i$ 物体的重量后背包的总价值加上 $i$ 物体的价值

def knapback(weight, value, n):
    len_weight = len(weight)
    p = [[0]*(n+1) for i in range(len_weight + 1)]
    for i in range(1, len_weight+1):
        for j in range(1, n+1):
            if weight[i-1] > j:
                p[i][j] = p[i-1][j]
            else:
                p[i][j] = max(p[i-1][j], p[i][j-weight[i-1]] + value[i-1])
    return p[len_weight][n], p

0-1背包的变种问题

求数组和为s的所有组合方式，arr = [5, 5, 10, 2, 3]，s = 15
相对于背包问题不同的是这里的 $p [i] [j] = p [i - 1] [j] + p [i - 1] [j - a r r [i - 1]]$
$p [i - 1] [j]$ ：在不加上当前的这个数字时，和为 $j$ 的方法总数
$[i - 1] [j - a r r [i - 1]]$ ：表示在加上当前这个数字时，和为 $j$ 的方法总数

def method_nums(arr, target):
    len_arr = len(arr)
    p = [[0 for i in range(target + 1)] for j in range(len_arr + 1)]
    for i in range(len_arr + 1):
        p[i][0] = 1
    for i in range(1, len_arr + 1):
        for j in range(1, target + 1):
            if arr[i-1] <= j:
                p[i][j] = p[i-1][j] + p[i-1][j-arr[i-1]]
            else:
                p[i][j] = p[i-1][j]
    return p