2021-08-14

算法笔记（7）：01背包问题与完全背包问题的内存优化

一般实现代码

1. 01背包问题

const int max_n = 105;
const int max_m = 10005;

int n, m;//n种物品，总重不超过m
int dp[max_n][max_m];//dp[i][j]指从前i个物品中选，总重不超过j时的背包最大价值
int w[max_n], v[max_n];

void solve()
{
    for (int i = 1; i <= n;i++)
        for (int j = 1; j <= m;j++)
        {
            if(w[i]>j)
                dp[i][j] = dp[i - 1][j];
            else
            {
                dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - w[i]] + v[i]);
            }
        }
    
}

2. 完全背包问题

const int max_n = 105;
const int max_m = 10005;

int n, m;//n种物品，总重不超过m
int dp[max_n][max_m];//dp[i][j]指从前i种物品中选，总重不超过j时的背包最大价值
int w[max_n], v[max_n];

void solve()
{
    for (int i = 1; i <= n;i++)
        for (int j = 1; j <= m;j++)
        {
             if(w[i]>j)
                dp[i][j] = dp[i - 1][j];
            else
            {
                dp[i][j] = max(dp[i - 1][j], dp[i][j - w[i]] + v[i]);
            }
        }
}

内存优化

1. 01背包问题
   在编写背包问题的代码中，我们注意到dp数组大小为n*m，占用了很多内存，故我们可以重复使用一维数组来减少内存消耗。
   直接理解这个过程并不简单，所以最好从二维数组的思路出发，再过渡到一维。

• 首先从动态规划的状态转移方程开始思考

$w[i]>j,dp[i][j]=dp[i-1][j]$;
$w[i]<=j,dp[i][j]=max(dp[i-1][j],dp[i-1][j-w[i]]+v[i])$.

我们注意到，第i层的dp状态完全是由i-1层所决定的，与[1,i-2]没有关系，而递推过程又是不断向后进行的，即[1,i-2]层的递推结果已经没有作用了，由此可以想到，用一个一维数组来存放i-1层的结果，在第i层重复使用这个数组就可以了。
这时就存在一个问题，即我们递推的方向，再次观察状态转移方程，当我们递推 $dp[i][j]$ 时，要用到 $dp[i-1][j-w[i]]$ 的值，这里的 $j-w[i]$ 是在 $j$ 的前面的，如果从前向后递推的话，前面的值会被新值覆盖，显然会造成错误结果，故我们应从后往前递推，下面给出代码。

const int max_n = 105;
const int max_m = 10005;

int n, m;             //n种物品，总重不超过m
int w[max_n], v[max_n];
int dp[max_m];

void solve()
{
    for (int i = 1; i <= n;i++)
        for (int j = m; j >= 1;j--)
        {
            if(w[i]>j)
            {
                dp[j] = dp[j];
            }
            else
            {
                dp[j] = max(dp[j], dp[j - w[i]] + v[i]);
            }
        }
}

2. 完全背包问题
   与上面同理，我们也考虑其状态转移方程

$w[i]>j,dp[i][j]=dp[i-1][j]$;
$w[i]<=j,dp[i][j]=max(dp[i-1][j],dp[i][j-w[i]]+v[i])$.¹

观察状态转移方程可得，第i层的状态与第i层与i-1层有关，并且递推 $dp[i][j]$ 时需要 $dp[i][j-w[i]]$ 的值，故我们必须进行正向递推。下面给出代码。

const int max_n = 105;
const int max_m = 10005;

int n, m;             //n种物品，总重不超过m
int w[max_n], v[max_n];
int dp[max_m];

void solve()
{
    for (int i = 1; i <= n;i++)
        for (int j = 1; j <= m;j++)
        {
            if(w[i]>j)
            {
                dp[j] = dp[j];
            }
            else
            {
                dp[j] = max(dp[j], dp[j - w[i]] + v[i]);
            }
        }
}

总结

关于这类问题的思考点应该从二维出发，先从二维考虑其状态转移方程，之后再推导到一维，相对而言便于理解很多。

---

1. 这里解释一下这个方程，$w[i]<=j$时，$dp[i][j]=max(dp[i-1][j-k\ast w[i]]+k\ast v[i])(k>=0\&\&k\ast w[i]<=j)$，我们考虑$dp[i][j-w[i]]$，发现两者进行的循环比较大致相同，即$dp[i][j-w[i]]=max(dp[i-1][j-(k+1)\ast w[i]]+k\ast v[i])(k>=0\&\&(k+1)\ast w[i]<=j)$，将两个公式合并，我们便可以得到上面的公式。 ↩︎