有关其他的背包问题👇👇👇
背包五讲合集:0-1背包、完全背包、多重背包、分组背包、二维费用的背包。
题目描述
有 N 种物品和一个容量是 V 的背包。
第 i 种物品最多有 si 件,每件体积是 vi,价值是 wi。
求解将哪些物品装入背包,可使物品体积总和不超过背包容量,且价值总和最大。
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,每行三个整数 vi,wi,si,用空格隔开,分别表示第 i 种物品的体积、价值和数量。
输出格式
输出一个整数,表示最大价值。
数据范围
0<N,V≤1000<N,V≤100
0<vi,wi,si≤1000<vi,wi,si≤100
输入样例
4 5
1 2 3
2 4 1
3 4 3
4 5 2
输出样例:
10
朴素做法
二维
该问题类似于完全背包或者说就是完全背包的一种特殊形式,一些定义基本都是没变
具体看这篇👉背包五讲之Ⅱ:完全背包问题。
但是注意到这里的条件从每件物品的∞个变为si个,所以不再有转移方程
dp[i][j] = max(dp[i - 1][j], dp[i][j - v[i]] + w[i])
存在。用朴素方法做的话,就老实对于每件物品用k
枚举,每次比较并更新的对象都是dp[i][j]
,直到k <= s[i] && k * v[i] <= j
条件不成立为止。
C++代码
#include <iostream>
#include <algorithm>
using namespace std;
int N, V;
int v[110], w[110], s[110];
int dp[110][110];
int main()
{
cin >> N >> V;
for (int i = 1; i <= N; i ++ )
cin >> v[i] >> w[i] >> s[i];
for(int i = 1;i <= N;i ++)
for (int j = 1;j <= V;j ++){
for(int k = 0;k <= s[i] && k * v[i] <= j;k ++){
dp[i][j] = max(dp[i][j], dp[i - 1][j - k * v[i]] + k * w[i]);
}
}
cout << dp[N][V] << endl;
return 0;
}
一维
同样地,利用滚动数组优化空间复杂度降至一维,注意j
的循环顺序,其他的基本把dp[i][j]—>f[j]
就行。
C++代码
#include <iostream>
#include <algorithm>
using namespace std;
int N, V;
int v[110], w[110], s[110];
int f[110];
int main()
{
cin >> N >> V;
for (int i = 1; i <= N; i ++ )
cin >> v[i] >> w[i] >> s[i];
for(int i = 1;i <= N;i ++)
for (int j = V;j >= 1;j --){
for(int k = 0;k <= s[i] && k * v[i] <= j;k ++){
f[j] = max(f[j], f[j - k * v[i]] + k * w[i]);
}
}
cout << f[V] << endl;
return 0;
}
但这种朴素做法如果遇到数据量稍微大点的肯定会T
掉,所以有下面的优化做法。
二进制优化
打包处理
对于每次给定的si个的同种物品,我们可以对其进行 “打包成多个大物品” 操作。从本质上来看,多重背包相较于0-1背包的复杂之处仅仅在于物品数量上的选择不同,多重背包朴素做法的时间复杂度基本是 O(n^3) 的,而0-1背包是 O(n^2) ,所以如果能缩小物品数量选择的差异那么就能将时间复杂度逼近到O(n^2)。
而何为“打包”呢?举个例子,对于给定的第i
类物品(v[i],w[i]
)有9个的大前提下,我们可以从两个角度来看它:
-
由9个属性均为(
v[i],w[i]
)的相同物品组成了这一类。 -
先对9进行二进制拆分处理,由于1+2+4+2=9,那9可以由1、2、4、2 (注意最后这个2是9取二进制整后余下来的) 这四个数来构成,它的意义在于,我每次选这类物品时,注定选择的数量是0~9之间的,而刚刚进过二进制拆分的四个数(以及0)可以 恰好地表示这区间的任何一个数 。
表示法 3:1 + 2;5:1 + 2 + 2;6:2 + 4;7:1 + 2 + 4
然后这9个第
i
类物品,对其进行打包,得到4个大物品,属性分别为:1 * (
v[i],w[i]
),2 * (v[i],w[i]
),4 * (v[i],w[i]
),2 * (v[i],w[i]
)
这样一来如果最优方案里面会选择这第i
类物品,那其选择数量必定是这4个大物品构成的排列组合。此时不再将这4个物品看成是一类物品衍生出的,而是4个 “新的单个物品” ,然后按照0-1背包的模板正常dp做,就可以求出最优解。
这样做复杂度降低的原因,还是以上例说明,原本9个同种物品,在i-j
的内循环里需要枚举9次来进行max()
操作,而二进制优化后化9为4,只需进行4次枚举操作来找出组合方案就达到了目的。换句话说,将n次枚举变为了 ⌈logn⌉ 次枚举,因此复杂度也从 O(n^3) 降到约 O(n^2 * logn) 。
Java代码
import java.util.*;
class Item{ //打包后的大物品
public int v;
public int w;
public Item(int v_, int w_){
v = v_;
w = w_;
}
}
public class Main{
public static int [] f = new int[2010]; //直接一维优化
public static int v = 0, w = 0, s = 0;
public static int N = 0, V = 0;
public static List<Item> items = new ArrayList<>(); //装大物品
public static void main(String[] args){
Scanner in = new Scanner(System.in);
N = in.nextInt();
V = in.nextInt();
for(int i = 1;i <= N;i ++){
v = in.nextInt();
w = in.nextInt();
s = in.nextInt();
for(int k = 1;k <= s;k *= 2){ //二进制拆分
s -= k;
items.add(new Item(k * v, k * w));
}
if(s > 0) items.add(new Item(s * v, s * w)); //取出余下的
}
in.close();
for(var it : items){ //拆分后就视为0-1背包了,按照模板正常做
for(int j = V;j >= it.v;j --)
f[j] = Math.max(f[j], f[j - it.v] + it.w);
}
System.out.println(f[V]);
}
}