动态规划之01背包与完全背包

目录

一、01背包

问题描述：

解题思路：

二、完全背包

问题描述：

解题思路：

---

一、01背包

问题描述：

有一个背包，背包总的承载重量是 Wkg，有 n 个物品（每个物品只有一件），每个物品的重量不等，并且不可分割。在不超过背包所能装载重量的前提下，如何让背包中物品的总重量最大？

之所以叫做01背包是因为物品要么装（只能装1次）要么不装（0）。

解题思路：

利用动态规划思想，假设dp[i][j]表示前i件物品背包容量为j的情况下所能装的最大重量，v[i] 表示第i件物品的价值，w[i]表示第i件物品重量，则

dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - w[i]] + v[i]) （i = 0, 1, ..., n; j = 0, 1, ... , W）

其中dp[i - 1][j]是当前第i件物品不放入背包的总价值，dp[i - 1][j - w[i]] + v[i]是当前物品放入背包的总价值；参考代码为：

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

通常二维数组还可以优化为一维数组，即dp[j] = max(dp[j], dp[j - w[i]] + v[i])（i = 0, 1, ..., n; j = 0, 1, ..., W）

但这时要求max函数里的dp[j]必须是前一个状态的值，然后用最大值覆盖dp[j]，所以此时内层循环应该逆序：

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

二、完全背包

问题描述：

完全背包与01背包的区别在于每件物品不止有一件，而是无数件。

解题思路：

对于装单件物品的数量，可以采取贪心算法的思想，最大不超过背包重量限定值w即可，所以每件物品装的最大数量为 W/c[i] 向下取整的值，此时的状态转移方程变为：

dp[i][j] = max(dp[i - 1][j - k * w[i]] + k * v[i]) (i = 0, 1, ..., n; j = 0, 1, ..., W; k = 0, 1, 2, ..., W/c[i])

参考代码为：

dp[0][0] = 0;
int maxtemp = 0;
for (int i = 1; i <= n; i++) { 
	for (int j = w[i]; j <= W; j++) {
      for (int k = 1; k <= W / w[i]; k++) 
          maxtemp = max(maxtemp, dp[i - 1][j - k * w[i]] + v[i]);
      dp[i][j] = max(maxtemp, dp[i][j]);
   }
}

转换为一维数组：dp[j] = max(dp[j], dp[j- w[i]] + v[i])，此时的代码为：

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

此时的内层循环是顺序的，所以dp[j]表示的是当前状态的最大价值，从二维数组的状态转移方程可以看出来，完全背包不需要跟前一个状态的自身值相比，所以是顺序的。