动态规划算法
1. 介绍
- 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
- 动态规划算法与分治算法类似,其基本思想都是“分而治之”,先求解子问题,然后将这些子问题的解合并变成原问题的解
- 与分治算法不同的是:适合用于动态规划求解的问题,经分解得到子问题往往不是相互独立的。(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)
- 动态规划可以通过填表的方式来逐步推进,得到最优解。
2. 动态规划算法实践—背包问题
**背包问题:**有一个背包,容量为4磅,现有如下物品
物品 | 重量 | 价格 |
---|---|---|
吉他(G) | 1 | 1500 |
音响(S) | 4 | 3000 |
电脑(L) | 3 | 2000 |
- 要求
- 达到的目标为装入背包的总价值最大,并且重量不超出
- 装入的物品不能重复
3. 思路+图解
- 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
为01背包和完全背包 (完全背包:每种物品有无限件可以使用) - 这里的问题属于01背包,也就是每个物品最多放一个。
- 无限背包可以转换成01背包
算法主要思想:
利用动态规划来解决;
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个物品中,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;
令v[i] [j] 表示在前i个物品中能够装入容量为i的背包的最大价值。
-
v[i] [0] = v[0] [j] = 0 **//**表示第一行第一列为0
-
当w[i] >j 时:v[i] [j] = v[i-1] [j] **//**如果i物品重量大于最大重量j,则使用上一个物品i-1的价值作为最大价值
-
当w[i] <j 时:v[i] [j] = max { v[i-1] [j], v [i-1] [j-w[i]] +v[i]}
//如果i物品的重量小于最大重量j,则从上一个物品i-1的价值和自身价值+上一个物品i-1中除去i物品的重量所包含的物品的价值中找到最大值
-
表格表示
物品 0磅 1磅 2磅 3磅 4磅 0 0 0 0 0 吉他(G) 0 1500(G) 1500(G) 1500(G) 1500(G) 音响(S) 0 1500(G) 1500(G) 1500(G) 3000(S) 电脑(L) 0 1500(G) 1500(G) 2000(L) 2000(L)+ 1500(G)
代码实现
package Algorithm.dynamic;
public class KnaosackProblem {
public static void main(String[] args) {
int[] w = {
1, 4,