惯用动态规划模型解决背包问题：

Ti_kiiii

已于 2024-03-18 15:41:55 修改

阅读量903

点赞数 20

分类专栏：算法 c++ 文章标签：算法动态规划

于 2024-03-14 19:56:27 首次发布

本文链接：https://blog.csdn.net/weixin_63260810/article/details/136643709

版权

c++ 同时被 2 个专栏收录

10 篇文章 0 订阅

订阅专栏

算法

2 篇文章 0 订阅

订阅专栏

一、动态规划介绍

动态规划（英语：Dynamic programming，简称 DP），是一种在数学、管理科学、计算机科学、经济学和生物信息学中使用的，通过把原问题分解为相对简单的子问题的方式求解复杂问题的方法。动态规划常常适用于有重叠子问题和最优子结构性质的问题。

简单说就是动态规划是把一个问题逐步划分为子问题，直到子问题能够被求解，在求解过程中往往有重复的计算，利用备忘录把答案记录下来，从而减少求解原问题的时间和空间。

二、核心思想、特征：

动态规划最核心的思想就是划分子问题，如何把一个问题逐步分解开来是尤为重要，该子问题需要有无后效性，这是最重要的一点。

1、多阶段最优子结构：当我们选择的结果是最优的，那么由它分解出来的子问题或子结构也应该是最优的。

2、重复子问题：动态规划问题往往有很多重复的子问题，我们可以记录这些子问题的解，加快解题速度

4、无后效性：指未来不再影响过去，在我们分解子问题时，分解出的子问题的逻辑不再受我们原问题的影响，对于一个dp数组，dp[n-1]的值不受dp[n]的影响，这就是无后效性

解题思路：

1、暴力求解（想象一下如何枚举）

2、记忆化搜索（考虑如何记录一些解）

3、考虑如何用dp解决问题（状态如何表示使得问题多阶段子结构最优，状态的边界如何定义，如何定义状态转移方程去描述状态的转移）

4、优化内存（滚动数组、二进制优化）

三、背包问题（九类）

（一）0-1背包问题

题目：
有N件物品（每种仅有一个）和一w的背包。第i件物品的重量费用是c[i]，价值是v[i]。求解将哪些物品装入背包可使这些物品的费用总和不超过背包容量，且价值总和最大。

先剖析问题结构，我们要如何设计问题使得满足dp的特征（最优子结构、无后效性），在考虑问题的时候我们大多数都会从结果出发，逆推答案，对于一个物品，我们会考虑如果我拿了它能得到多大价值，我不拿它能得到多大价值，我们会选择其中价值更大的一个，然后再考虑该问题的子问题，考虑下一个物品（这是我们平常的思维），那么如何用语言来表达呢？

价值受什么影响？首先是物品的数量，我们要逐个考虑每个物品是否存在于背包中的价值，其次是背包能承受的重量，如果我们的背包很大，那我们可以全都要，如果背包很小，可能某些物品都装不进去，所以我们使用一个二维数组 dp[i][j] 来表示前i件物品恰放入一个容量为j的背包可以获得的最大价值。

这个方程非常重要，基本上所有跟背包相关的问题的都由它衍生来。所以有必要将它详细解释一下：“将前i件物品放入容量为v的背包中”这个子问题，若只考虑第i件物品的策略（放或不放），那么就可以转化为一个只牵扯前i-1件物品的问题。如果不放第i件物品，那么问题就转化为“前i-1件物品放入容量为v的背包中”；如果放第i件物品，那么问题就转化为“前i-1件物品放入剩下的容量为v-c[i]的背包中”，此时能获得的最大价值就是f [i-1][w-c[i]]再加上通过放入第i件物品获得的价值w[i]。

那么得到状态转移方程：

$f[i][j]= max ( f[i−1][j] , f[i−1][j−c[i]]+v[i] )$

for(int i=0;i<n;i++)
    for(int j=1;j<=w;j++)
        dp[i][j]=max(dp[i-1][j],dp[i−1][j−c[i]]+v[i])

边界问题：

dp[i][0]=0 背包承重为0，那能得到的价值也为0

dp[0][j]=0 没有物品价值也同样为0

优化空间复杂度：

我们可以看到第i、j格的值是只和第i-i行影响，如下图：

也就是说我们只用记录前一行的数据即可推出下一行，我们可以用滚动数组来实现空间的优化，那么我们是否要像上面一样从前往后遍历呢，我们假设有一个一维数组dp[n]，从1开始逐步更新数组，这是dp[1]就变成了第i行的数组，此时新数据覆盖了后数据，使得后续的数组无法利用已知数据，但从后往前遍历就可以避开问题，结合代码理解：

for(int i=0;i<n;i++)
    for(int j=w;j>=1;j--)
        dp[j]=max(dp[j],dp[j−c[i]]+v[i])

（二）完全背包问题（二进制优化）

相比较0-1背包，完全背包问题去掉了可取物品数量的限制：

有N种物品和一W的背包，每种物品都有无限件可用。第i种物品的费用是c[i]，价值是v[i]。求解将哪些物品装入背包可使这些物品的费用总和不超过背包容量，且价值总和最大。

当作0-1背包来做：

有了0-1背包的思路，我们知道对于一件物品我们有取和不取两种方法，那么对于完全背包问题，同一个物品我们可以拆分成多个物品，一件物品最多取w/c[i]次，我们可以把它当成存在w/c[i]个该物品，对每一个物品求取和不取的最大价值，也是类似0-1背包的。当然我们也可以进行一个性价比的优化，对于两件物品i、j满足c[i]<=c[j]且v[i]>=v[j]，去掉j物品，这能减少物品的件数，但治标不治本，有可能特别设计的数据可以一件物品也去不掉。

这是一个简单的方法，但也有缺陷，当物品的数量、背包的容量较大时，这样的方法会很耗时，效率并不高，我们需要对0-1背包进行一个提升，跳出0-1背包。

二进制优化：

在二进制中，我们可以用 $2^0$ 、 $2^1$ 、 $2^2$ 、……、 $2^n$ 表示 $2^{n+1}-1$ 以内的任何数，在完全背包问题中我们可以把他们拆成0-1背包是指把他们拆成一个一个的物品以表示我们能购买的物品数，同样我们可以利用二进制的特点来优化，把物品分成 $2^0$ 、 $2^1$ 、 $2^2$ 、……、 $2^n$ 件来表示能够买的物品数，也就是说对于一个 $2^n$ 件数价值为v的物品，我们把它分成价值为 $2^0$ v 的物品、价值为 $2^1$ v的物品…… 当我们需要购买n个物品时（如7个）就可以转化为买对应二进制拆分的物品各一个（7的二进制=111，即购买0-1背包版本的价值为 $2^0$ v 的物品、价值为 $2^1$ v的物品、价值为 $2^2$ v的物品）这样既把复杂的问题转化为简单问题，又不至于爆空间和爆时间。

/*
多重背包问题：二进制优化
本文中某些变量和文章不太一致，结合注释来看
*/
# include<iostream>
using namespace std;
const int MAXN = 10010; //定义最大物品数量
const int MAXV = 10010; //定义最大背包容量
int N; //物品数量
int V; //背包容量
int w[MAXN];//储存每件物品的重量w[i]
int c[MAXN];//储存每件物品的价值c[i]
int s[MAXN];//储存每件物品的数量s[i]
int dp[MAXV]; //滚动dp数组
//用滚动dp数组求解0-1背包问题
void knapsack() {
    for (int i = 0; i <= V; i++)//边界处理
        dp[i] = 0;
    for (int i = 1; i <= N; i++) {//状态更新
        //倒序枚举v (V-0)
        for (int v = V; v >= w[i]; v--)
            dp[v] = max(dp[v - w[i]] + c[i], dp[v]);
    }
}
int main(){
    int tempw[MAXN], tempc[MAXN];//储存实际物品重量和价值
    int k = 0;//把背包二进制划分后得到的物品的编码
    cin >> N >> V;//物品个数 最大背包容量W
    //读取数据
    for (int i = 1; i <= N; i++)
        cin >> tempw[i];
    for (int i = 1; i <= N; i++)
        cin >> tempc[i];

    for (int i = 1; i <= N; i++) {//利用二进制优化的方法拓展行
        cin >> s[i];
        for (int j = 1; j <= s[i]; j <<= 1) {
            k++;
            w[k] = tempw[i] * j;
            c[k] = tempc[i] * j;
            s[i] -= j;
        }
        if (s[i] != 0) {
            k++;
            w[k] = tempw[i] * s[i];
            c[k] = tempc[i] * s[i];
        }
    }
    N = k;
    knapsack();
    cout << dp[V] << endl;
}
//输入数据
/* 
4 10
3 4 2 5
2 3 2 3
2 2 1 4 
*/

//输出结果：8

（三）多重背包问题

完全背包的特殊版，完全背包不限制物品的数量，多重背包限制物品数量为某一个数：

有N种物品和一个容量为V的背包。第i种物品最多有n[i]件可用，每件费用是c[i]，价值是w[i]。求解将哪些物品装入背包可使这些物品的费用总和不超过背包容量，且价值总和最大。

直接转化为0-1背包问题和利用二进制优化都可以求解，不再赘述

分享｜股票问题系列通解（转载翻译） - 力扣（LeetCode）https://leetcode.cn/circle/discuss/qiAgHn/该帖是力扣第一的大佬转的关于股票问题的解析，本质就是动态规划的背包问题，其中121和122就是前文的两类问题，123就是本题相关内容，作者还提供了另一种解法，其他内容也很实在有用，可以跟练。
. - 力扣（LeetCode）. - 备战技术面试？力扣提供海量技术面试资源，帮助你高效提升编程技能,轻松拿下世界 IT 名企 Dream Offer。https://leetcode.cn/problems/best-time-to-buy-and-sell-stock-iii/

（四）混合背包问题

顾名思义就是前三种背包问题的结合

（1）0-1背包和完全背包混合

这个可以考虑把0-1背包和完全背包当成一个判断来做：
伪代码如下：

for i=1..N
    if 第i件物品是01背包
        for v=W..0
        f[v]=max{f[v],f[v-c[i]]+v[i]};
    else if 第i件物品是完全背包
        for v=0..W
        f[v]=max{f[v],f[v-c[i]]+v[i]};

（2）再加上多重背包：

如果再加上有的物品最多可以取有限次，那么原则上也可以给出O(VN)的解法：遇到多重背包类型的物品用单调队列解即可。但如果不考虑超过NOIP范围的算法的话，用P03中将每个这类物品分成O(log n[i])个01背包的物品的方法也已经很优了。

for (int i = 1; i <= n; i++) {
	cin >> c >> v >> p;
	if (p == 0) //完全背包
		for (int j = c; j <= W; j++)
			f[j] = max(f[j], f[j - c] + v);
	else if (p == -1) //01背包
		for (int j = V; j >= c; j--)
			f[j] = max(f[j], f[j - c] + v);
	else { //多重背包二进制优化
		int num = min(p, W / c);
		for (int k = 1; num > 0; k <<= 1) {
			if (k > num) k = num;
			num -= k;
			for (int j = V; j >= c * k; j--)
				f[j] = max(f[j], f[j - c * k] + v * k);
		}
	}
}

（五）二维费用的背包问题

二维费用的背包问题是指：对于每件物品，具有两种不同的费用；选择这件物品必须同时付出这两种代价；对于每种代价都有一个可付出的最大值（背包容量）。问怎样选择物品可以得到最大的价值。设这两种代价分别为代价1和代价2，第i件物品所需的两种代价分别为a[i]和b[i]。两种代价可付出的最大值（两种背包容量）分别为W1和W2。物品的价值为v[i]。

思想很简单，既然cost费用维度增加，那么只要我们的维度增加即可，设f [ i ] [ j ] [ k ] f[i][j][k]f[i][j][k]表示前i ii件物品付出两种代价分别最大为j jj和k kk时可获得的最大价值，那么状态转移方程：

$f[i][j][k]=max(f[i−1][j][k],f[i−1][j−c[i]][k−g[i]]+w[i])$

这也是满足最优子结构的动态规划转移方程。

for (int i = 1; i <= n; i++)
    for (int j = W1; j >= c[i]; j--)
        for (int k = W2; k >= g[i]; k--)
            f[j][k] = max(f[j][k], f[j - a[i]][k - b[i]] + v[i]);

有时，“二维费用”的条件是以这样一种隐含的方式给出的：最多只能取M件物品。这事实上相当于每件物品多了一种“件数”的费用，每个物品的件数费用均为1，可以付出的最大件数费用为M。换句话说，设f[v][m]表示付出费用v、最多选m件时可得到的最大价值，则根据物品的类型（01、完全、多重）用不同的方法循环更新，最后在f[0..V][0..M]范围内寻找答案。另外，如果要求“恰取M件物品”，则在f[0..V][M]范围内寻找答案。

（六）分组背包问题

有N件物品和一W的背包。第i件物品的费用是c[i]，价值是v[i]。这些物品被划分为若干组，每组中的物品互相冲突，最多选一件。求解将哪些物品装入背包可使这些物品的费用总和不超过背包容量，且价值总和最大。

这就从0-1问题跳出来变成了组数选择问题：是选择本组某一件，还是不选。也就是说设f[k][c]表示前k组物品花费费用c能取得的最大权值，则有f[k][v]=max{f[k-1][c],f[k-1][c-c[i]]+v[i]|物品i属于第k组}。

$f[k][j]=max(f[k−1][j],f[k−1][j−c[i]]+v[i]∣ 物品i⊆组k )$

for (int i = 1; i <= n; i++) {
	cin >> s; // 第i组的物品数量
	for (int j = 1; j <= s; j++) cin >> c[j] >> w[j]; //组中每个物品的属性
    for (int j = V; j >= 0; j--)
        for (int k = 1; k <= s; k++)
            if (j >= c[k])
                f[j] = max(f[j], f[j - c[k]] + w[k]);
            // 由于每组物品只能选一个，所以可以覆盖之前组内物品最优解的来取最大值
}

Ti_kiiii

关注

20
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
惯用动态规划模型解决背包问题：

动态规划（英语：Dynamic programming，简称 DP），是一种在数学、管理科学、计算机科学、经济学和生物信息学中使用的，通过把原问题分解为相对简单的子问题的方式求解复杂问题的方法。动态规划常常适用于有重叠子问题和最优子结构性质的问题。简单说就是动态规划是把一个问题逐步划分为子问题，直到子问题能够被求解，在求解过程中往往有重复的计算，利用备忘录把答案记录下来，从而减少求解原问题的时间和空间。
复制链接

扫一扫