韩顺平 数据结构与算法 (算法_3)动态规划算法

动态规划算法
1. 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
  3. 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)
  4. 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
    01背包完全背包 (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

  • 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

  • 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, 
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值