前言
小M公司年会运气爆棚中奖,老板说给你一个容量w的蛇皮袋,去奖池里愉快的捞吧。奖池里的商品都独一份。袋子能装多少,就算中多少。不同奖品体积价格都不同,且每种奖品拿一次喔。小M心想这机会千载难逢,我咋薅才能让老板薅出血。
这个场景中如果归纳到算法中来说,都是很典型的背包问题。都可简化为:
有N个物品,这些物品有各自的体积W和价值V。现有已定容量的背包,求如何让背包里装入的物品价值总和最大?
在解决此问题前,我们简单回顾一下dp的原理以及解决思路
动态规划的原理
动态规划(Dynamic Programming),简称DP。若某一问题有很多重叠子问题,往往使用动态规划是最有效的。动态规划中每一个状态都是由上一个状态推导出来的。对应贪心是没有状态推导,而是从局部直接选最优的,分治法在子问题上会被重复计算多次。而DP有记忆性,计算过程中会被记录下来,在新问题里需要用到的子问题可以直接提取,避免重复计算、节约了时间。
最优性原理是动态规划的基础,最优性原理是指“多阶段决策过程的最优决策序列具有这样的性质:不论初始状态和初始决策如何,对于前面决策所造成的某一状态而言,其后各阶段的决策序列必须构成最优策略”。
动态规划解题思路
- 确定dp数组和其下标的含义
- 推导出状态转移方程
- 初始化dp数组
- 确定遍历的顺序
对于以上的前两个步骤:
将问题抽象化、确定个模型 -> 寻找约束条件 -> 判断是否满足最优性 -> 找大问题与小问题的关系
1. 确定dp数组和其下标的含义
dp[i][j]
表示从下标为[0 - i]的物品里任意取,放进剩余容量为j的背包,价值总和最大值。
2. 推导状态转移方程
d p [ i ] [ j ] = { d p [ i − 1 ] [ j ] if w i > j max { d p [ i − 1 ] [ j ] , d p [ i − 1 ] [ j − w i ] + v i ) } if w i < = j dp[i][j] = \begin{cases} dp[i-1][j] & \text { if } w_{i}>j \\ \max \left\{dp[i-1][j], \ \ dp\left[i-1][j-w_{i}] + v_{i}\right)\right\} & \text { if } w_{i}<=j \end{cases} dp[i][j]=