有 N 种物品和一个容量是 V 的背包,每种物品都有无限件可用。
第 i 种物品的体积是 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,分别表示物品种数和背包容积。
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 种物品的体积和价值。
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
10
案例分析:
完全背包问题其实也算01背包的变种问题,01背包是物品只有一件,完全背包是物品有无数件,他的转移方程和01背包就只差了一点点
//01背包
if (j>=vi[i])f[i][j] = max(f[i-1][j],f[i-1][j-vi[i]]+wi[i]);
else f[i][j] = f[i-1][j];
//完全背包
if (j>=vi[i])f[i][j] = max(f[i][j],f[i][j-vi[i]]+wi[i])
else f[i][j] = f[i-1][j]
上图好理解
我们只需要输出最后一个元素就可以。
这个算法时间复杂度是O(N*V)
上代码
//完全背包问题
#include <iostream>
using namespace std;
#define Max(N1, N2) N1 > N2 ? N1 : N2
int vi[1001];
int wi[1001];
int f[1001][1001];
int main()
{
int N, V;
//输入数据
cin >> N >> V;;
for (int i = 1; i <= N; i++)
{
cin >> vi[i] >> wi[i];
}
//动态规划
for (int i = 1; i <= N; i++)
{
for (int j = 1; j <= V; j++)
{
f[i][j] = f[i - 1][j];
if (j >= vi[i])
{
f[i][j] = Max(f[i][j], f[i][j - vi[i]] + wi[i]);
}
}
}
cout << f[N][V];
return 0;
}
空间优化:
当然我们还可以优化代码,时间复杂度很难得到大幅度优化,但是空间还是可以的,可以将f由二维数组优化为一位数组
转移方程是:
f[j] = max(f[j],f[j-vi[i]]+wi[i])
上代码:
//完全背包问题
#include <iostream>
using namespace std;
#define Max(N1, N2) N1 > N2 ? N1 : N2
int vi[1001];
int wi[1001];
int f[1001];
int main()
{
int N, V;
//输入数据
cin >> N >> V;;
for (int i = 1; i <= N; i++)
{
cin >> vi[i] >> wi[i];
}
//动态规划
for (int i = 1; i <= N; i++)
{
for (int j = vi[i]; j <= V; j++)
{
f[j] = Max(f[j], f[j - vi[i]] + wi[i]);
}
}
cout << f[V];
return 0;
}
f[j]存储第前i件物品的最优解,完全背包问题在满足j>=vi[i]的时候,不需要和上一轮的值作比较,所以就是内层正序执行,
可以看得出,01背包和完全背包在一维f数组下的差别就是内层循环的j的初始化和判别式的差别,其他无差别,当然我们也可以压缩一下代码和减少一下空间
//完全背包问题
#include <iostream>
using namespace std;
#define Max(N1, N2) N1 > N2 ? N1 : N2
int f[1001];
int main()
{
int N, V;
//输入数据
cin >> N >> V;;
for (int i = 1; i <= N; i++)
{
int v,w;
cin >> v >> w;
for (int j = v; j <= V; j++)
{
f[j] = Max(f[j], f[j - v] + w);
}
}
cout << f[V];
return 0;
}
可以结合01背包进行理解。
01背包问题