待完善
介绍
1.动态规划(Dynamic Programming)算法的核心思想是:将大问题划分为小问题进行解决,从而一步步获取最优解的处理算法
2.动态规划算法与分治算法类似,其基本思想也是将待求解问题分解成若干个子问题,先求解子问题,然后从这些子问题的解得到原问题的解。
3.与分治法不同的是,适合于用动态规划求解的问题,经分解得到子问题往往不是互相独立的。 ( 即下一个子阶段的求解是建立在上一个子阶段的解的基础上,进行进一步的求解 )
4.动态规划可以通过填表的方式来逐步推进,得到最优解.
背包问题
有一个背包,容量为4磅 , 现有如下物品
1.要求达到的目标为装入的背包的总价值最大,并且重量不超出
2.要求装入的物品不能重复
思路分析
背包问题主要是指一个给定容量的背包、若干具有一定价值和重量的物品,如何选择物品放入背包使物品的价值最大。其中又分01背包和完全背包(完全背包指的是:每种物品都有无限件可用)
这里的问题属于01背包,即每个物品最多放一个。而无限背包可以转化为01背包。
每次遍历到的第i个物品,根据w[i]和v[i]来确定是否需要将该物品放入背包中。即对于给定的n个物品,设v[i]、w[i]分别为第i个物品的价值和重量,C为背包的容量。再令v[i][j]表示在前i个物品中能够装入容量为j的背包中的最大价值。则我们有下面的结果:
public class Beibao {
public static void main(String[] args) {
// TODO Auto-generated method stub
int[] w = {1,4,3};//物体的重量
int[] value = {1500,3000,2000};//物体的价格,v[]
int m = 4;//背包的容量
int n = value.length;//物体的个数
//v[i][j]表示在前i个物品种能够装入容量为j的背包中的最大价值
int[][] v = new int[n+1][m+1];
//记录放入商品的情况
int[][] path = new int[n+1][m+1];
//初始化第一行和第一列【可不处理,因为默认为零 】
for(int i = 0;i<v.length;i++) {//v.length相当等于n+1
v[i][0] = 0;//将第一列设为0
}
for(int i = 0;i<v[0].length;i++) {//v[0].length相当等于m+1
v[0][i] = 0;//将第一行设为0
}
for(int i=1;i<v.length;i++) {
for(int j=1;j<v[i].length;j++) {
if(w[i-1]>j) {//因为这里的i是从1开始,所以原来公式中的w[i]要改为w[i-1]
v[i][j] = v[i-1][j];
}
else {
//同上
//v[i][j] = Math.max(v[i-1][j], value[i-1]+v[i-1][j-w[i-1]]);
//为了记录商品存放到背包的情况,我们不能直接使用Math.max
if(v[i-1][j]<value[i-1]+v[i-1][j-w[i-1]]) {
v[i][j] = value[i-1]+v[i-1][j-w[i-1]];
path[i][j] = 1;
}
else {
v[i][j] = v[i-1][j];
}
}
}
}
//遍历
for(int i = 0;i<v.length;i++) {
for(int j = 0;j<v[i].length;j++) {
System.out.print(v[i][j]+" ");
}
System.out.println();
}
int i = path.length-1;
int j = path[0].length-1;
while(i>0 && j>0) {
if(path[i][j]==1) {
System.out.println("第"+i+"个商品放入背包");
j-=w[i-1];
}
i--;
}
}
}