01背包、完全背包和多重背包问题都属于经典的背包问题,这些问题都可以通过动态规划来解决,它们在动态规划中有着不同的特点和解法,其中状态转移方程是解决这些问题的核心。通过填表的方式,逐步求解最优解,最终得到问题的解。
1. 01背包问题
问题描述:给定一个背包容量 W 和 n 个物品,每个物品有重量 weight[i] 和价值 value[i],选择一些物品放入背包中,使得放入的物品总重量不超过背包容量,且总价值最大。
特点:每种物品只能选择放入一次。
状态定义:dp[i][j] 表示在前 i 个物品中选择,容量为 j 的背包所能容纳的最大价值。
状态转移方程:
for (int i = 1; i <= n; i++) {
for (int j = 0; j <= W; j++) {
if (j >= weight[i]) {
dp[i][j] = Math.max(dp[i-1][j], dp[i-1][j-weight[i]] + value[i]);
} else {
dp[i][j] = dp[i-1][j];
}
}
}
时间复杂度:O(n*W)
2. 完全背包问题
问题描述:与01背包类似,但每种物品可以选择无限次放入背包中。
特点:每种物品可以选择无限次放入。
状态定义:与01背包相同。
状态转移方程:
for (int i = 1; i <= n; i++) {
for (int j = 0; j <= W; j++) {
if (j >= weight[i]) {
dp[i][j] = Math.max(dp[i-1][j], dp[i][j-weight[i]] + value[i]);
} else {
dp[i][j] = dp[i-1][j];
}
}
}
时间复杂度:O(n*W)
3. 多重背包问题
问题描述:与完全背包类似,但每种物品有数量限制,每种物品最多只能选择 num[i] 次。
特点:每种物品有数量限制。
状态定义:与01背包相同。
状态转移方程:需要额外考虑物品的数量限制,通常使用三重循环进行状态转移。
for (int i = 1; i <= n; i++) {
for (int j = 0; j <= W; j++) {
for (int k = 0; k <= num[i]; k++) {
if (j >= k * weight[i]) {
dp[i][j] = Math.max(dp[i][j], dp[i-1][j-k*weight[i]] + k*value[i]);
}
}
}
}
时间复杂度:O(nWmax_num)