动态规划算法(Dynamic Programming)-背包问题

动态规划算法(Dynamic Programming)-背包问题

1.应用场景-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

(1)要求达到的目标为装入的背包的总价值最大，并且重量不超出
(2)要求装入的物品不能重复
(3)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背包和完全背包(完全背包指的是：每种物品都有无限件可用)此例问题属于01背包，即每个物品最多放一个。而无限背包可以转化为01背包。

2.动态规划算法介绍

(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，其基本思想也是将待求解问题分解成若干个子问题，先求解子问题，然后从这些子问题的解得到原问题的解。
(3)与分治法不同的是，适合于用动态规划求解的问题，经分解得到子问题往往不是互相独立的。 ( 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.

3.思路分析和图解

算法的主要思想，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，设v[i]、w[i]分别为第i个物品的价值和重量，c为背包的总容量。再令v[i][j]表示在前i个物品中能够装入容量为j的背包中的最大价值，则我们会有下面的结果：
(1) v[i][0]=v[0][j]=0; (表示填入表第一行和第一列是0)
(2) 当w[i]> j 时：v[i][j]=v[i-1][j] ;(当准备加入新增的商品的容量大于当前背包的容量时，就直接使用上一个单元格的装入策略)
(3) 当j>=w[i]时： v[i][j]=max{v[i-1][j], v[i]+v[i-1][j-w[i]]}
当准备加入的新增的商品的容量小于等于当前背包的容量时，装入的方式为max{v[i-1][j], v[i]+v[i-1][j-w[i]]}，其中：
v[i-1][j]： 就是上一个单元格的装入的最大值
v[i] : 表示当前商品的价值
v[i-1][j-w[i]] ： 装入i-1商品，到剩余空间(j-w[i])能够装入商品的最大值

public class KnapsackProblem {
    public static void main(String[] args) {

        int w[] = {1, 4, 3}; //物品的重量
        int val[] = {1500, 3000, 2000}; //物品的价值,即公式里面的v[i]
        int m = 4; //背包的容量
        int n = val.length; //物品的个数

        //表示前i个物品中能够装入容量为j的背包的最大的价值
        int v[][] = new int[n + 1][m + 1];
        //记录存入背包的商品的情况
        int path[][] = new int[n + 1][m + 1];

        //初始化第一列,可以不处理因为默认就是0
        for (int i = 0; i < v.length; i++) {
             v[i][0] = 0;
        }
        //初始化第一行
        for (int i = 0; i < v[0].length; i++) {
            v[0][i] = 0;
        }

        //动态规划处理问题
        //不处理第一行，i是从1开始的
        for (int i = 1; i < v.length; i++) {
            //不处理第一列，j是从1开始的
            for (int j = 1; j < v[0].length; j++) { //套公式
                //如果准备新增加的商品的容量大于背包的容量，则直接采用上一个单元格的装入策略
                if(w[i-1] > j){ //因为i是从1开始的，所以去第一个商品的重量i需要减1
                    v[i][j] = v[i-1][j];
                }else{
                    //如果准备新增的商品的容量小于等于背包的容量，则尝试将该商品装入背包（val[i-1] + v[i-1][j-w[i-1]] > v[i-1][j]满足即装入）
                    //如果 (当前商品的价格 + 装入(i-1)商品进剩余的背包空间后最大价值) 大于 (上一个单元格装入策略的价值)，则将采用新的策略
//                    v[i][j] = Math.max(v[i-1][j], val[i-1] + v[i-1][j-w[i-1]]);

                    //将装入商品的情况记录到path
                    if(val[i-1] + v[i-1][j-w[i-1]] > v[i-1][j]){
                        v[i][j] =  val[i-1] + v[i-1][j-w[i-1]];
                        //如果该新增商品i装入容量为j的背包，则将path[i][j]置为1
                        path[i][j] = 1;
                    }else {
                        v[i][j] = v[i-1][j];
                    }
                }
            }
        }

        //输出装入情况的表格
        System.out.println("装入背包情况的表格：");
        for (int i = 0; i < v.length; i++) {
            for (int j = 0; j < v[0].length; j++) {
                System.out.print(v[i][j] + " ");
            }
            System.out.println();
        }

        //输出放入的商品
        //行的最大下标
        int i = path.length - 1;
        //列的最大下标
        int j = path[0].length - 1;
        System.out.println("容量为" + m + "的背包装入价值最大的商品的情况是：");
        while (i > 0 && j > 0){
            if(path[i][j] == 1){
                //输出当前商品
                System.out.println("第" + i +"个商品放入背包");
                //此时去寻找背包容量为 j - (刚刚输出的商品的重量)
                j = j - w[i -1];
            }
            i--;
        }
    }
}

• 结果：