经典背包问题1——01背包问题、完全背包问题、多重背包问题(数据范围100)、多重背包问题(数据范围1000/2000)
先放上结论代码,再看题:
#include<iostream>
#include<algorithm>
#include<iostream>
using namespace std;
const int N = 1010;//物品最多数量
int dp[N];//全局自动初始化为0
int n,m;//要输入的n个物品,m的容量
int v[N],w[N],s[N];//要输入的物品的体积,物品的价值,和物品的个数
int main(){
cin>>n>>m;
for(int i = 1;i<=n;i++){//给第i个物品(没有第0个)赋值体积,价值与个数
cin>>v[i]>>w[i]>>s[i];
}
//********************01背包**************************
for(int i = 1;i<=n;i++){
for(int j = m;j>=v[i];j--){
dp[j] = max(dp[j],dp[j-v[i]]+w[i]);
}
}
//********************完全背包*************************
for(int i = 1;i<=n;i++){
for(int j = v[i];j<=m;j++){
dp[j] = max(dp[j],dp[j-v[i]]+w[i]);
}
}
//********************多重背包(数据范围100内)***********
//01的改进
for(int i = 1;i<=n;i++){
for(int j = m;j>=0;j--){
for(int k = 1;k<=s[i] && k*v[i]<=j;k++){
dp[j] = max(dp[j],dp[j-k*v[i]]+k*w[i]);
}
}
}
//********************多重背包(数据范围1000/2000)******
//把每个物品的种类个数拆成二进制问题
struct Good{
int v,w;
};
vector<Good> goods;
for(int i = 1;i<=n;i++){//给第i个物品(没有第0个)赋体积与价值
cin>>v[i]>>w[i]>>s[i];
//把每个物品像分苹果(1000个苹果分成有限堆,可以取不同的堆来表示不同个数的苹果)一样分开
for(int k = 1;k<=s[i];k*=2){
s[i] = s[i]-k;
goods.push_back({v[i]*k,w[i]*k});
}
if(s[i]>0) goods.push_back({v[i]*s[i],w[i]*s[i]});
}
//现在就回归到01背包问题
for(auto good:goods){
for(int j = m;j>=good.v;j--){
dp[j] = max(dp[j],dp[j-good.v]+good.w);
}
}
//****************************************************
cout<<dp[m]<<endl;
return 0;
}
1——01背包问题
有 N 件物品和一个容量是 V的背包。每件物品只能使用一次。
第 i件物品的体积是 vi,价值是 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。
输出格式
输出一个整数,表示最大价值。
数据范围
0<N,V≤1000
0<vi,wi≤1000
输入样例
4 5
1 2
2 4
3 4
4 5
输出样例:
8
动态规划思路:
- 定义dp,定义
dp[i][j]
的含义为当选择前i
个物品,总体积为j
的前提下,总价值是多少; - 状态变化为每种物品都尝试,总体积也要不断增加,所以两次嵌套遍历第一层为从
0
到i
,第二层为从0
到j
; - 确定状态转移方程,当我们看前
i
个物品的时候可以选择放不放第i
个物品到里面,要么放,要么不放,就要对比两者哪种的价值是最大的。不放里面,就是看前i-1
个物品,容量为j
的时候;放里面就是看前i-1
个物品,总容量为j-当前第i个物品容量
(前提是j
要大于当前第i个物品容量
)的时候。
代码:
#include<iostream>
#include<algorithm>
using namespace std;
const int N = 1010;//物品最多数量
int dp[N][N];//全局自动初始化为0
int n,m;//要输入的n个物品,m的容量
int v[N],w[N];//要输入的物品的体积和物品的价值
int main(){
cin>>n>>m;
for(int i = 1;i<=n;i++){//给第i个物品(没有第0个)赋体积与价值
cin>>v[i]>>w[i];
}
for(int i = 1;i<=n;i++){//从前i个物品选
for(int j = 0;j<=m;j++){//每个容量的时候,看价值最大是多少
dp[i][j] = dp[i-1][j];//不选第i个
if(j>=v[i]){
dp[i][j] = max(dp[i][j],dp[i-1][j-v[i]]+w[i]);//选第i个,但是要跟选之前进行对比
}
}
}
cout<<dp[n][m]<<endl;
return 0;
}
由于我们看到代码里,第i
个背包只与第i-1
个背包有关,所以我们可以对代码进行优化,采用一维数组,先上代码再解释:
#include<iostream>
#include<algorithm>
using namespace std;
const int N = 1010;//物品最多数量
int dp[N];//全局自动初始化为0
int n,m;//要输入的n个物品,m的容量
int v[N],w[N];//要输入的物品的体积和物品的价值
int main(){
cin>>n>>m;
for(int i = 1;i<=n;i++){//给第i个物品(没有第0个)赋体积与价值
cin>>v[i]>>w[i];
}
for(int i = 1;i<=n;i++){
for(int j = m;j>=v[i];j--){
dp[j] = max(dp[j],dp[j-v[i]]+w[i]);
}
}
cout<<dp[m]<<endl;
return 0;
}
dp问题的优化,一般都是对代码进行优化。
把dp[i][j]
压缩成一维,把i
那层拿掉,
这行代码:
dp[j] = max(dp[j],dp[j-v[i]]+w[i]);
对于j(容量)
来讲,dp[j]
的转移要么是dp[j]
,要么是dp[j-v[i]]
,也就是说当前体积要么是自己转移过来,要么是比自己小的体积转移过来;所以体积j
从大到小枚举,从而可以保证枚举到当前体积j
的时候,j - v[i]
因为小还没被更新过,它是等价于dp[i - 1][j - v[i]]
,也就是上一层的。
所以for
循环写为:
for(int j = m;j>=v[i];j--)
2——完全背包问题
完全背包问题的题目跟01背包问题只有一处不同,就是01背包问题是每种物品只有一种,而完全背包问题是每种物品有无数个,可以任意选。
动态规划思路:
其他跟01背包问题思路一样,只是在选第i
种这一步比01背包问题要复杂一些。01背包问题选第i
种是先除去这第i
种然后看前i-1
种,价值最大是多少;而完全背包是分别选第i
种1个、或者2个、或者三个…之后再选前i-1
种他们的最大价值是多少。
这一步的推导:
代码:
#include<iostream>
#include<algorithm>
using namespace std;
const int N = 1010;//物品最多数量
int dp[N][N];//全局自动初始化为0
int n,m;//要输入的n个物品,m的容量
int v[N],w[N];//要输入的物品的体积和物品的价值
int main(){
cin>>n>>m;
for(int i = 1;i<=n;i++){//给第i个物品(没有第0个)赋体积与价值
cin>>v[i]>>w[i];
}
for(int i = 1;i<=n;i++){
for(int j = 0;j<=m;j++){
dp[i][j] = dp[i-1][j];
if(j>=v[i]){
dp[i][j] = max(dp[i][j],dp[i][j-v[i]]+w[i]);
}
}
}
cout<<dp[n][m]<<endl;
return 0;
}
优化:
优化思路和01背包一样,对代码进行优化,其实不难看到,与01背包的区别就是,dp[j-v[i]]
是依赖本层还是上一层,01背包的优化是
dp[j] = max(dp[j],dp[j-v[i]]+w[i]);
去掉dp[i]
之后,max的后半部分原本是依赖于上一层,也就是
dp[i][j] = max(dp[i][j],dp[i-1][j-v[i]]+w[i]);
优化完了之后如果j
是从小到大的话,dp[j-v[i]]
是已经算过的也就是依赖本层,故01背包的优化是让循环从大到小循环,才能保证优化后跟优化前恒等。
而完全背包此时已经是dp[i][j-v[i]]
,进行优化则是依赖于本层,则j
层循环依旧是从小到大。
故:
#include<iostream>
#include<algorithm>
using namespace std;
const int N = 1010;//物品最多数量
int dp[N];//全局自动初始化为0
int n,m;//要输入的n个物品,m的容量
int v[N],w[N];//要输入的物品的体积和物品的价值
int main(){
cin>>n>>m;
for(int i = 1;i<=n;i++){//给第i个物品(没有第0个)赋体积与价值
cin>>v[i]>>w[i];
}
for(int i = 1;i<=n;i++){
for(int j = v[i];j<=m;j++){
dp[j] = max(dp[j],dp[j-v[i]]+w[i]);
}
}
cout<<dp[m]<<endl;
return 0;
}
3——多重背包问题(数据范围100)
多重背包的其他定义和前两种无异,只是多了个每种物品有多少个(有限个)的限制。
输入格式
第一行两个整数,N,V,用空格隔开,分别表示物品种数和背包容积。
接下来有 N行,每行三个整数 vi,wi,si,用空格隔开,分别表示第 i种物品的体积、价值和数量。
输出格式
输出一个整数,表示最大价值。
数据范围
0<N,V≤100
0<vi,wi,si≤100
输入样例
4 5
1 2 3
2 4 1
3 4 3
4 5 2
输出样例:
10
动态规划思路:
其实就是比01背包问题多了个每种选几个的循环;
#include<iostream>
#include<algorithm>
using namespace std;
const int N = 110;//物品最多数量
int dp[N];//全局自动初始化为0
int n,m;//要输入的n个物品,m的容量
int v[N],w[N],s[N];//要输入的物品的体积,物品的价值,和物品的个数
int main(){
cin>>n>>m;
for(int i = 1;i<=n;i++){//给第i个物品(没有第0个)赋值体积,价值与个数
cin>>v[i]>>w[i]>>s[i];
}
for(int i = 1;i<=n;i++){
for(int j = m;j>=0;j--){
for(int k = 1;k<=s[i] && k*v[i]<=j;k++){//每种物品选几个
dp[j] = max(dp[j],dp[j-k*v[i]]+k*w[i]);
}
}
}
cout<<dp[m]<<endl;
return 0;
}
4——多重背包问题(数据范围1000/2000)
输入格式
第一行两个整数,N,V,用空格隔开,分别表示物品种数和背包容积。
接下来有 N行,每行三个整数 vi,wi,si,用空格隔开,分别表示第 i种物品的体积、价值和数量。
输出格式
输出一个整数,表示最大价值。
数据范围
0<N≤1000
0<V≤2000
0<vi,wi,si≤2000
输入样例
4 5
1 2 3
2 4 1
3 4 3
4 5 2
输出样例:
10
这一题跟上一题的区别就是数据范围更大了,这时候三层嵌套循环就不满足时间条件了,我们可以选择把每个物品像分苹果(1000个苹果分成有限堆,可以取不同的堆来表示不同个数的苹果)一样分开(其实就是利用二进制(8421这种)可以组合为任意的数的思想),然后摊开来就像01背包问题那样解决就好了。
#include<iostream>
#include<algorithm>
using namespace std;
const int N = 2010;//物品最多数量
int dp[N];//全局自动初始化为0
int n,m;//要输入的n个物品,m的容量
int v[N],w[N],s[N];//要输入的物品的体积和物品的价值
struct Good{
int v,w;
};
int main(){
cin>>n>>m;
vector<Good> goods;
for(int i = 1;i<=n;i++){//给第i个物品(没有第0个)赋体积与价值
cin>>v[i]>>w[i]>>s[i];
//把每个物品像分苹果(1000个苹果分成有限堆,可以取不同的堆来表示不同个数的苹果)一样分开
for(int k = 1;k<=s[i];k*=2){
s[i] = s[i]-k;
goods.push_back({v[i]*k,w[i]*k});
}
if(s[i]>0) goods.push_back({v[i]*s[i],w[i]*s[i]});
}
//现在就回归到01背包问题
for(auto good:goods){
for(int j = m;j>=good.v;j--){
dp[j] = max(dp[j],dp[j-good.v]+good.w);
}
}
cout<<dp[m]<<endl;
return 0;
}
比较难理解,多自己敲几遍,反复思考就好了,观看视频连接:
大雪菜闫氏DP