背包问题是动态规划的一个大类,我将写一个系列的博客,来讲解背包问题的基础形式(我比较菜,所以也就写写基础)
本文看起来比较长,因为我写的比较像大白话,小白建议看看。
一、01背包问题
题目特点:从几种物品中选取,放入限定容量的背包内,使得总价值最大。其中每种物品只有一个,要么选,要么不选。(即选的件数要么为0要么为1,称01背包问题)具体的题目以及输入输出如下:
输入样例:
4 5
1 2
2 4
3 4
4 5
输出样例
8
分析:
动态规划,其实有点像递推,但是比递推难。他的核心在于状态表示和转移方程。
状态表示
我们可以用一个数组f[i][j]来表示只看前i个物品,在总体积是j的情况下,总价值最大是多少。
那么,题目要求在背包容量为V的条件下,从N件物品中选取物品使得的总价值最大,状态表示应为f[N][V].
那怎么确定f[N][V]是多少呢?我们可以从f[0][0]开始,一步一步递推 ,最终得到f[N][V].
说到递推,大家就想到肯定得有个递推方程。在动态规划问题中,叫做状态转移方程。
状态计算
我们在进行状态计算之前,先得对状态做一个划分,这个划分必须考虑到所有的状态。由于是一步一步推的,我们推到第i行第j列时,只需考虑在当前状态下(背包容量为j),要不要选择第i件物品。(因为之前的物品,在推到那一列时,已经考虑过了要不要选它).即对于f[i][j]来说,他存在以下两种状态:
也因为我们是一步一步递推的,所以推到后面,前面状态的值是已经知道了的,因此我们求解的思路就在于如何用之前的状态来表示当前状态,这也是递推的思路。
即推到f[i][j]时,存在以下情况:
① 不选第 i 个物品:那此时选取物品的最大价值和同体积下前 i-1 个物品最大价值是一样的,因为i确定不选了嘛。 因此,这种情况f[i][j] = f[i-1][j].
② 选择第 i 个物品:如果选择第 i 个物品,那么我们能不能用前i-1件物品的式子推来呢?是可以的。因为你确定要选择i了,那背包至少要用的容量来装第i件物品。那就还剩体积为
大小的背包装前
件物品。前
件物品用体积为
的大小来装,最大价值为f[i-1][j-v[i]],这个值在推第i行时是已经确定了的。那加上第i件物品的价值,此时最大价值即为f[i-1][j-v[i]] + w[i]. 即:f[i][j] = f[i - 1][j - v[i]] + w[i].
那还得思考一个问题,到底第i个物品是选还是不选呢?很简单,我们求的是最大价值,那你只需要取看二者的最大值即可。因此: f[i][j] = max(①, ②);
递推还需考虑起始状态。初始时没有物品,无论背包多大,总价值肯定为0。因此,数组需要将第0行初始化为0.我们从第1行开始推即可(因为后一行需要用前一行的数据).
下面来看代码:
#include <iostream>
using namespace std;
const int N = 1010;
int n, m;
int v[N], w[N];
int f[N][N];
int main()
{
cin >> n >> m;
for(int i = 1; i <= n; i++)
{
cin >> v[i] >> w[i];
}
// 这里需要先初始化再开始递推,由于我们开的是全局数组,存在静态存储区,会自动初始化为0.
// 如果不是,还是需要初始化的,将第0行赋值为0即可.
for(int i = 1; i <= n; i++)
{
for(int j = 0; j <= m; j++)
{
f[i][j] = f[i-1][j];
if(j >= v[i])
{
// j>v[i]时再考虑选第i件物品的情况
// 因为只有j大于v[i]时,才有可能选取第i件物品,不然装不去。
f[i][j] = max(f[i][j], f[i-1][j-v[i]] + w[i]);
}
}
}
cout << f[n][m] << endl;
return 0;
}