0-1背包问题

---

首先得知道什么是0-1背包问题（knapsack problem）

? 贼，夜入豪宅，可偷之物甚多，而负重能力有限，偷哪些才更加不枉此行？

? 抽象的话，就是：

给定一组多个（）物品，每种物品都有自己的重量（）和价值（），在限定的总重量/总容量（）内，选择其中若干个（也即每种物品可以选0个或1个），设计选择方案使得物品的总价值最高。

? 更加抽象的话：

给定正整数、给定正整数，求解0-1规划问题：

， s.t. ， 。

? 示例应用：处理器能力有限时间受限，任务很多，如何选择使得总效用最大？

? 数值例子：如下图。

---

0-1背包问题的定性

? 对于一般性的0-1背包，

贪婪算法无法得到最优解。

反例，不多解释——

事实上它可能想多差有多差（以 作为“贪婪”的标准，也不多解释了）——

? 确定性问题版本的背包问题是NP的，

“，求使得 ”是Karp的21个NPC问题之一（实际上Karp的表述是现在所称的子集和（subset sum）问题）。

---

0-1背包问题的递推关系

定义子问题 为：在前 个物品中挑选总重量不超过 的物品，每种物品至多只能挑选1个，使得总价值最大；这时的最优值记作 ，其中 ， 。

考虑第 个物品，无外乎两种可能：选，或者不选。

• 不选的话，背包的容量不变，改变为问题 ；
• 选的话，背包的容量变小，改变为问题 。

最优方案就是比较这两种方案，哪个会更好些：

。

得到

。

---

“填二维表”的动态规划方法

算法就很自然了：

之前的例子填表的结果是——

（蓝色格子表示本行值发生变化的格子）

然后发生 时才会有“取第 件物品”发生。

所以从表格右下角“往回看”如果是“垂直下降”就是发生了 ，而只有“走斜线”才是“取了”物品。

这个算法的复杂度就很容易算了——每一个格子都要填写数字，所以时间复杂度和空间复杂度都是 。当" "时（就不严谨地使用渐近分析的语言了），复杂度是 。

---

所谓“填一维表”的动态规划方法

? 其实呢，上面那个二维表，也可以用一行来存储啊！对不啦？

? 所以，根本的区别在于思想，而不是具体存储方式。

那么这个算法的思想又是什么呢？——其实就是：

• 每行都有些数值相同的哦，所以
• 只记录每行里那些不同的数值就好了啊。

? 例如上面的表格中，只记录蓝色的部分，

格式是（为了方便阅读，再贴一次图）：

、

、 、

、 、 、 、

、 、 、 、 、 、 、 、

……（不写了，累）

? 你会说，这也没省什么地方啊？！

的确，对于这个例子来说是这样的——要不然数值太大我画不下。

你假设每个 都扩大1000倍，那样的话，表格也扩大到1000倍，填表时间也增加到1000倍，然而蓝色的格子还是那么多。

? 好了，继续，下面有三个问题：

1. ， ；（这比较显然）
2. 什么时候会发生“ ”的情况？
3. 什么时候会发生“ ”的情况？

�� 下面来看问题2，一定是发生了“容量扩大后有个新的东西可以放下了”！

所以固定 ，让 变化， 一定是“阶梯状”的：

• 有的 使得 ；
• 有的 使得 。

例如，前面例子中 如下图所示：

看下，是右移上移 。

所以 （ ）就是下述两条“阶梯”

在max意义下的“叠加”。

比较和 的“转折点”：

的是 ； 的是 。

于是：

• 对于每一个 ， 最多只有 个“转折点”——因为 个物品，最多只有 个“选”、“不选”的组合；
• 中 那部分的所有可能的“转折点”就是由 的每个转折点 变为 ；（“可能”这个词后面再解释）
• 推而广之， 中 那部分的所有可能的“转折点”就是由 的每个转折点 变为 。

设置，则由得到的所有可能的“转折点”为 。

例如 ：

例如 ， ：

这时有些问题：

1. 超过 的部分可以不用考虑；
2. 绿色的圆形里有些“转折点”被湮没了——这就是之前说的“可能”的意思。

来看哦， 。

于是 的所有可能应该是

Ok，首先删除掉第二分量大于 的（上图红框里）（称作第一类抛弃），得到

。

然后按第二分量递增排序，得到：

按道理说，对于阶梯函数来说，如果第二分量是递增的，那么第三分量也应该是递增的。但是上图中红框里不是哦——事实上它们是“被湮没”的“转折点”（上图的黄色圆形）。

所以哦，弃掉他们（称作第二类抛弃），得到 ，就是下图 。

而最终结果就是 的最后一项的第三个分量。

由得到 的过程是（例如）：

已经按照第二分量递增排序好，

之后先写成

然后对第一个三元组，

删除当前位置之后被“湮没”的

对第二个三元组，一定是插入当前位置之后，并被立即“湮没”，

不断这样进行下去，并注意第一类抛弃即可得到 。

令，则可以得到（由于分行了，就不在乎三元组的第一分量了）：

然后所谓“一维”存储，其实就是把它“存储成了”一维，例如使用两个一维数组和一个start数组做“分割”：

? 然后就是如何得到方案——

看 的最后一个是不是与 的最后一个相同，相同的话就直接看 ；

的最后一个与 的最后一个不同，所以一定拿了物品4，然后看 第二分量不超过5（= ）的最后一个，是 ；

与 的最后一个不同，所以一定拿了物品3；

……然后类推。

? 最后是分析复杂度：

路线是计算 的元素个数，然后对 求和，就得到了所有“蓝色格子”的数量。

然后，

• 首先，由于 在不考虑两类抛弃的情况下（最差情况就是不发生这两类抛弃），元素个数恰好等于 元素数的两倍；也可以这样来看——对于每一个 ， 最多只有 个“转折点”；
• 由 得到 时， 中各组的第二分量、第三分量一定彼此不同，那么每个 中的 的取值范围是 ，第三分量的取值范围是 。所以这样的三元组最多有 个。

对 求和，得到

• ;
• ；
• 

而由 产生 的计算过程主要就是产生一个新的对、插入、删除（抛弃），所以这个过程的计算量是和 元素数成正比的。

所以得到，无论空间复杂度还是时间复杂度，都是 的。

即使 ，这时的算法复杂度也控制在 之内。

原文链接： https://zhuanlan.zhihu.com/p/30959069