动态规划经典问题：完全背包问题全面解析与优化

Orange分享

于 2024-08-18 20:17:42 发布

阅读量643

点赞数 24

分类专栏：算法感悟分享文章标签：动态规划算法 c++

本文链接：https://blog.csdn.net/weixin_72391681/article/details/141304657

版权

算法感悟分享专栏收录该内容

5 篇文章 0 订阅

订阅专栏

一、问题描述

完全背包问题是动态规划中的经典问题之一。与0/1背包问题不同，在完全背包问题中，每种物品可以被选择多次，直到其数量耗尽或达到背包容量的限制。

问题背景：给定一个容量为 C 的背包和 N 种物品，每种物品有一个重量 w[i] 和一个价值 v[i]。每种物品可以选择任意次数，使得在不超过背包容量的情况下，背包内物品的总价值最大化。

目标：在背包容量不超过 C 的前提下，最大化装入背包中的物品价值总和。

二、问题分析

完全背包问题的关键在于每种物品可以被选择多次。这一特性让问题与0/1背包问题在动态规划状态转移方程上有所不同。

核心问题：如何在动态规划的过程中，合理地考虑每种物品的多次选择，并最终找到最大价值。

状态定义

定义 dp[j] 表示背包容量为 j 时，可以获得的最大价值。

状态转移方程

对于每种物品 i，有两种状态：

不选择该物品：dp[j] = dp[j]，保持当前状态不变。
选择该物品：dp[j] = max(dp[j], dp[j - w[i]] + v[i])，表示当前容量减去物品 i 的重量后，再加上物品 i 的价值，得到一个新的可能的最优解。

初始条件

dp[0] = 0，表示背包容量为0时，能够达到的最大价值为0。

深层分析

完全背包问题的难点在于：

多次选择：每种物品可以多次放入背包，这意味着每个状态下需要考虑物品的多种组合。
优化时间复杂度：如何在保持算法正确性的前提下，减少计算的重复性，并提高计算效率。

三、问题的抽象模型

在完全背包问题中，可以抽象出以下关键实体及其关系：

背包（Knapsack）
- 属性：容量 Capacity
物品（Item）
- 属性：重量 Weight
- 属性：价值 Value
选择（Selection）
- 属性：选择次数 Count
- 关系：背包与物品之间通过选择进行关联
- 关系：背包的容量和物品的重量形成约束关系

四、方案构建与C++实现

方案设计

使用一维动态规划数组 dp，其中 dp[j] 表示容量为 j 的背包所能装入的最大价值。
遍历每种物品，对于每个物品，正序更新 dp[j]，以确保每种物品能够被多次选择。

C++代码实现

#include <iostream>
#include <vector>
#include <algorithm>

using namespace std;

// 完全背包问题的实现函数
int completeKnapsack(int C, const vector<int>& w, const vector<int>& v) {
    int n = w.size(); // 物品的数量
    vector<int> dp(C + 1, 0); // 定义DP数组，初始值为0

    // 遍历每一种物品
    for (int i = 0; i < n; ++i) {
        // 遍历背包容量，从小到大，以允许多次选择同一物品
        for (int j = w[i]; j <= C; ++j) {
            // 状态转移方程：选择当前物品后是否能得到更大价值
            dp[j] = max(dp[j], dp[j - w[i]] + v[i]);
        }
    }

    // 返回当背包容量为C时的最大价值
    return dp[C];
}

int main() {
    int C = 10; // 背包容量
    vector<int> w = {2, 3, 5}; // 物品重量
    vector<int> v = {6, 10, 12}; // 物品价值

    // 输出最大价值
    cout << "背包的最大价值: " << completeKnapsack(C, w, v) << endl;

    return 0;
}

五、优化方案与深度分析

两种动态规划方案的优化对比

在完全背包问题中，可以通过两种方式优化DP数组的更新：

方案一：正序遍历：
- 对于每个物品，正序遍历背包容量 j。
- 优点：允许每种物品被多次选择，通过累加 dp[j] 来达到优化的目的。
- 缺点：在一些特定情况下，可能会出现不必要的重复计算。
方案二：滚动数组优化：
- 通过引入滚动数组，进一步减少空间复杂度。
- 优点：可以在一定程度上优化空间使用，同时保持状态转移的正确性。
- 缺点：在完全背包问题中，滚动数组的优化效果有限，且实现复杂度较高。

方案实现

滚动数组优化方案：

#include <iostream>
#include <vector>
#include <algorithm>

using namespace std;

// 完全背包问题的滚动数组优化实现
int completeKnapsackOptimized(int C, const vector<int>& w, const vector<int>& v) {
    int n = w.size(); // 物品的数量
    vector<int> dp(C + 1, 0); // 定义DP数组，初始值为0

    // 遍历每一种物品
    for (int i = 0; i < n; ++i) {
        // 遍历背包容量，从小到大，以允许多次选择同一物品
        for (int j = w[i]; j <= C; ++j) {
            // 更新滚动数组
            dp[j] = max(dp[j], dp[j - w[i]] + v[i]);
        }
    }

    // 返回当背包容量为C时的最大价值
    return dp[C];
}

int main() {
    int C = 10; // 背包容量
    vector<int> w = {2, 3, 5}; // 物品重量
    vector<int> v = {6, 10, 12}; // 物品价值

    // 输出最大价值
    cout << "背包的最大价值: " << completeKnapsackOptimized(C, w, v) << endl;

    return 0;
}

时间与空间复杂度分析

时间复杂度：
- 两种方案的时间复杂度均为 O(N * C)，其中 N 为物品的数量，C 为背包的容量。因为对于每种物品，都需要遍历一遍背包的所有可能容量。
空间复杂度：
- 在原始方案中，空间复杂度为 O(C)，因为只需要一维数组来保存状态。
- 在滚动数组优化中，空间复杂度依然为 O(C)，但在某些特定情况下，滚动数组可以进一步减少内存访问的开销。