01 背包优化
2012-09-09 22:00
274 查看
/article/8185256.html
这两天做了下01背包的题,简单的总结下
首先,对于最基本的01背包问题,转移方程为dp[i][j]=max{dp[i-1][j],dp[i-1][j-cost[i]]+w[i]}
表示考虑第i件物品,容量为j时,有两种策略,第一种是不选该物品,第二种为选择该物品,在这两种策略中选择一个最优策略
复杂度O(VN)
伪代码
for i=1 to n
for v=0 to V
if(v>=cost[i])
dp[i][v]=max(dp[i-1][v],dp[i-1][v-cost[i]]+w[i])
如果用滚动数组压缩空间:
for i=1 to n
for v=V to 0
if(v>=cost[i])
dp[v]=max(dp[v],dp[v-cost[i]]+w[i])
注意到将容量从大到小开始循环后,就可以用一维的数组表示了,当然,这得当所有物品容量都为正时才是正确的
对于01背包问题,每种物品只考虑一次,且每种物品只能被加入一次,而这也恰是为什么第二层循环中v要从大到小的原因,因为当物品容量为正时,容量较大的情况由容量较小的情况决定,如果从小的开始推,一中物品就有可能被加入背包多次
一维的代码中dp[v]在被更新前就相当于dp[i-1][v],我们将容量从大到小开始推的话,设v1>v2,我们更新v1时,v2还未被更新,表示二维中的dp[i-1][v],一旦被更新后,就表示dp[i][v]了,如果我们从小往大推的话,会有可能出现这样的情况:dp[v2]被物品i更新一次,更新dp[v1]时又由dp[v2]与背包i更新一次,这样,dp[v1]保存的信息中,物品i就被装了两次,这与01背包的定义是不同的
当然,如果此时物品容量为负时,我们必须将v从小到大推,道理是一样的
POJ 3132 Sum of Different Primes
求一个数n由k个不同素数组成的方案数,其中,5=2+3和5=3+2是一样的,即不考虑顺序
这道题可以转化成01背包求解,n小于等于1120,k<=14,我们可以先打表打出1120内的素数,然后把这187个素数看成187件物品,然后他们的和看成容量,
即1<=n<=187,1<=V<=1120
但是,这道题又多了一个维数的限制,即装入物品个数的限制,没关系,递推就行
dp[i][j][k]表示前i个素数中的j个素数组成和为k的方案数,那么dp[i][j][k]=sum{dp[i-1][1..j-1][k-prime[i]]
压缩空间后可以去掉一维i,但是k要从大到小枚举,因为不能用重复的素数!
POJ 2184 Cow Exhibition
也可以转化为01背包来做,只是这题需要一些变化,把s看成容量,f看成价值
则dp[i][j]=选前i头牛且s的和为j时,f的最大值,最后枚举满足条件的s和与它对应的f,由于i可能为负,需要增加del值平移
当然,也可以压缩为一维的,但是需要分情况考虑fi大于0和小于0的情况,保证第i头牛只被加1次
还有,这题可以设置i的左右边界优化下,我从200多跑到63ms了
可以参考:http://blog.csdn.net/chendanche/archive/2011/04/12/6317909.aspx
POJ 1837 Balance
与2184差不多,不过这题求的是方案数,又与3132相似
首先定义状态方程为dp[i][j]为选前个重物且力矩为j时的方案数,则dp[i][j]=sum{dp[i-1][j-pos[k]]},1<=k<=m,m为挂钩的个数,pos[k]为第k个挂钩的位置
那么这题能否也压缩一下呢?答案是不行的,因为这题转移时需要在同一个维度i枚举不同的挂钩,不管你考虑pos[k]为正时倒着来也好,pos[k]为负时正着来也好,都有可能将第i个挂钩多次装入背包,与上面两个题可以放一起体会体会
最后结果为dp
[0+del]
/article/10676914.html
01背包问题
题目
有N件物品和一个容量为V的背包。第i件物品的费用是c[i],价值是w[i]。求解将哪些物品装入背包可使价值总和最大。
基本思路
这是最基础的背包问题,特点是:每种物品仅有一件,可以选择放或不放。
用子问题定义状态:即f[i][v]表示前i件物品恰放入一个容量为v的背包可以获得的最大价值。状态转移方程是:
[plain] view
plaincopy
f[i][v]=max{f[i-1][v],f[i-1][v-c[i]]+w[i]}
这个方程非常重要,基本上所有跟背包相关的问题的方程都是由它衍生出来的。所以有必要将它详细解释一下:“将前i件物品放入容量为v的背包中”这个子问题,若只考虑第i件物品的策略(放或不放),那么就可以转化为一个只牵扯前i-1件物品的问题。如果不放第i件物品,那么问题就转化为“前i-1件物品放入容量为v的背包中”,价值为f[i-1][v];如果放第i件物品,那么问题就转化为“前i-1件物品放入剩下的容量为v-c[i]的背包中”,此时能获得的最大价值就是f[i-1][v-c[i]]再加上通过放入第i件物品获得的价值w[i]。
优化空间复杂度
以上方法的时间和空间复杂度均为O(VN),其中时间复杂度应该已经不能再优化了,但空间复杂度却可以优化到O(V)。
先考虑上面讲的基本思路如何实现,肯定是有一个主循环i=1..N,每次算出来二维数组f[i][0..V]的所有值。那么,如果只用一个数组f[0..V],能不能保证第i次循环结束后f[v]中表示的就是我们定义的状态f[i][v]呢?f[i][v]是由f[i-1][v]和f[i-1][v-c[i]]两个子问题递推而来,能否保证在推f[i][v]时(也即在第i次主循环中推f[v]时)能够得到f[i-1][v]和f[i-1][v-c[i]]的值呢?事实上,这要求在每次主循环中我们以v=V..0的顺序推f[v],这样才能保证推f[v]时f[v-c[i]]保存的是状态f[i-1][v-c[i]]的值。伪代码如下:
[plain] view
plaincopy
for i=1..N
for v=V..0
f[v]=max{f[v],f[v-c[i]]+w[i]};
其中的f[v]=max{f[v],f[v-c[i]]}一句恰就相当于我们的转移方程f[i][v]=max{f[i-1][v],f[i-1][v-c[i]]},因为现在的f[v-c[i]]就相当于原来的f[i-1][v-c[i]]。如果将v的循环顺序从上面的逆序改成顺序的话,那么则成了f[i][v]由f[i][v-c[i]]推知,与本题意不符,但它却是另一个重要的背包问题P02最简捷的解决方案,故学习只用一维数组解01背包问题是十分必要的。
事实上,使用一维数组解01背包的程序在后面会被多次用到,所以这里抽象出一个处理一件01背包中的物品过程,以后的代码中直接调用不加说明。
过程ZeroOnePack,表示处理一件01背包中的物品,两个参数cost、weight分别表明这件物品的费用和价值。
[plain] view
plaincopy
procedureZeroOnePack(cost,weight)
for v=V..cost
f[v]=max{f[v],f[v-cost]+weight}
注意这个过程里的处理与前面给出的伪代码有所不同。前面的示例程序写成v=V..0是为了在程序中体现每个状态都按照方程求解了,避免不必要的思维复杂度。而这里既然已经抽象成看作黑箱的过程了,就可以加入优化。费用为cost的物品不会影响状态f[0..cost-1],这是显然的。
有了这个过程以后,01背包问题的伪代码就可以这样写:
[plain] view
plaincopy
for i=1..N
ZeroOnePack(c[i],w[i]);
初始化的细节问题
我们看到的求最优解的背包问题题目中,事实上有两种不太相同的问法。有的题目要求“恰好装满背包”时的最优解,有的题目则并没有要求必须把背包装满。一种区别这两种问法的实现方法是在初始化的时候有所不同。
如果是第一种问法,要求恰好装满背包,那么在初始化时除了f[0]为0其它f[1..V]均设为-∞,这样就可以保证最终得到的f
是一种恰好装满背包的最优解。
如果并没有要求必须把背包装满,而是只希望价格尽量大,初始化时应该将f[0..V]全部设为0。
为什么呢?可以这样理解:初始化的f数组事实上就是在没有任何物品可以放入背包时的合法状态。如果要求背包恰好装满,那么此时只有容量为0的背包可能被价值为0的nothing“恰好装满”,其它容量的背包均没有合法的解,属于未定义的状态,它们的值就都应该是-∞了。如果背包并非必须被装满,那么任何容量的背包都有一个合法解“什么都不装”,这个解的价值为0,所以初始时状态的值也就全部为0了。
这个小技巧完全可以推广到其它类型的背包问题,后面也就不再对进行状态转移之前的初始化进行讲解。
一个常数优化
前面的伪代码中有 for v=V..1,可以将这个循环的下限进行改进。
由于只需要最后f[v]的值,倒推前一个物品,其实只要知道f[v-w
]即可。以此类推,对以第j个背包,其实只需要知道到f[v-sum{w[j..n]}]即可,即代码中的
[plain] view
plaincopy
for i=1..N
for v=V..0
可以改成
[plain] view
plaincopy
for i=1..n
bound=max{V-sum{w[i..n]},c[i]}
for v=V..bound
这对于V比较大时是有用的。
小结
01背包问题是最基本的背包问题,它包含了背包问题中设计状态、方程的最基本思想,另外,别的类型的背包问题往往也可以转换成01背包问题求解。故一定要仔细体会上面基本思路的得出方法,状态转移方程的意义,以及最后怎样优化的空间复杂度。
这两天做了下01背包的题,简单的总结下
首先,对于最基本的01背包问题,转移方程为dp[i][j]=max{dp[i-1][j],dp[i-1][j-cost[i]]+w[i]}
表示考虑第i件物品,容量为j时,有两种策略,第一种是不选该物品,第二种为选择该物品,在这两种策略中选择一个最优策略
复杂度O(VN)
伪代码
for i=1 to n
for v=0 to V
if(v>=cost[i])
dp[i][v]=max(dp[i-1][v],dp[i-1][v-cost[i]]+w[i])
如果用滚动数组压缩空间:
for i=1 to n
for v=V to 0
if(v>=cost[i])
dp[v]=max(dp[v],dp[v-cost[i]]+w[i])
注意到将容量从大到小开始循环后,就可以用一维的数组表示了,当然,这得当所有物品容量都为正时才是正确的
对于01背包问题,每种物品只考虑一次,且每种物品只能被加入一次,而这也恰是为什么第二层循环中v要从大到小的原因,因为当物品容量为正时,容量较大的情况由容量较小的情况决定,如果从小的开始推,一中物品就有可能被加入背包多次
一维的代码中dp[v]在被更新前就相当于dp[i-1][v],我们将容量从大到小开始推的话,设v1>v2,我们更新v1时,v2还未被更新,表示二维中的dp[i-1][v],一旦被更新后,就表示dp[i][v]了,如果我们从小往大推的话,会有可能出现这样的情况:dp[v2]被物品i更新一次,更新dp[v1]时又由dp[v2]与背包i更新一次,这样,dp[v1]保存的信息中,物品i就被装了两次,这与01背包的定义是不同的
当然,如果此时物品容量为负时,我们必须将v从小到大推,道理是一样的
POJ 3132 Sum of Different Primes
求一个数n由k个不同素数组成的方案数,其中,5=2+3和5=3+2是一样的,即不考虑顺序
这道题可以转化成01背包求解,n小于等于1120,k<=14,我们可以先打表打出1120内的素数,然后把这187个素数看成187件物品,然后他们的和看成容量,
即1<=n<=187,1<=V<=1120
但是,这道题又多了一个维数的限制,即装入物品个数的限制,没关系,递推就行
dp[i][j][k]表示前i个素数中的j个素数组成和为k的方案数,那么dp[i][j][k]=sum{dp[i-1][1..j-1][k-prime[i]]
压缩空间后可以去掉一维i,但是k要从大到小枚举,因为不能用重复的素数!
POJ 2184 Cow Exhibition
也可以转化为01背包来做,只是这题需要一些变化,把s看成容量,f看成价值
则dp[i][j]=选前i头牛且s的和为j时,f的最大值,最后枚举满足条件的s和与它对应的f,由于i可能为负,需要增加del值平移
当然,也可以压缩为一维的,但是需要分情况考虑fi大于0和小于0的情况,保证第i头牛只被加1次
还有,这题可以设置i的左右边界优化下,我从200多跑到63ms了
可以参考:http://blog.csdn.net/chendanche/archive/2011/04/12/6317909.aspx
POJ 1837 Balance
与2184差不多,不过这题求的是方案数,又与3132相似
首先定义状态方程为dp[i][j]为选前个重物且力矩为j时的方案数,则dp[i][j]=sum{dp[i-1][j-pos[k]]},1<=k<=m,m为挂钩的个数,pos[k]为第k个挂钩的位置
那么这题能否也压缩一下呢?答案是不行的,因为这题转移时需要在同一个维度i枚举不同的挂钩,不管你考虑pos[k]为正时倒着来也好,pos[k]为负时正着来也好,都有可能将第i个挂钩多次装入背包,与上面两个题可以放一起体会体会
最后结果为dp
[0+del]
/article/10676914.html
01背包问题
题目
有N件物品和一个容量为V的背包。第i件物品的费用是c[i],价值是w[i]。求解将哪些物品装入背包可使价值总和最大。
基本思路
这是最基础的背包问题,特点是:每种物品仅有一件,可以选择放或不放。
用子问题定义状态:即f[i][v]表示前i件物品恰放入一个容量为v的背包可以获得的最大价值。状态转移方程是:
[plain] view
plaincopy
f[i][v]=max{f[i-1][v],f[i-1][v-c[i]]+w[i]}
这个方程非常重要,基本上所有跟背包相关的问题的方程都是由它衍生出来的。所以有必要将它详细解释一下:“将前i件物品放入容量为v的背包中”这个子问题,若只考虑第i件物品的策略(放或不放),那么就可以转化为一个只牵扯前i-1件物品的问题。如果不放第i件物品,那么问题就转化为“前i-1件物品放入容量为v的背包中”,价值为f[i-1][v];如果放第i件物品,那么问题就转化为“前i-1件物品放入剩下的容量为v-c[i]的背包中”,此时能获得的最大价值就是f[i-1][v-c[i]]再加上通过放入第i件物品获得的价值w[i]。
优化空间复杂度
以上方法的时间和空间复杂度均为O(VN),其中时间复杂度应该已经不能再优化了,但空间复杂度却可以优化到O(V)。
先考虑上面讲的基本思路如何实现,肯定是有一个主循环i=1..N,每次算出来二维数组f[i][0..V]的所有值。那么,如果只用一个数组f[0..V],能不能保证第i次循环结束后f[v]中表示的就是我们定义的状态f[i][v]呢?f[i][v]是由f[i-1][v]和f[i-1][v-c[i]]两个子问题递推而来,能否保证在推f[i][v]时(也即在第i次主循环中推f[v]时)能够得到f[i-1][v]和f[i-1][v-c[i]]的值呢?事实上,这要求在每次主循环中我们以v=V..0的顺序推f[v],这样才能保证推f[v]时f[v-c[i]]保存的是状态f[i-1][v-c[i]]的值。伪代码如下:
[plain] view
plaincopy
for i=1..N
for v=V..0
f[v]=max{f[v],f[v-c[i]]+w[i]};
其中的f[v]=max{f[v],f[v-c[i]]}一句恰就相当于我们的转移方程f[i][v]=max{f[i-1][v],f[i-1][v-c[i]]},因为现在的f[v-c[i]]就相当于原来的f[i-1][v-c[i]]。如果将v的循环顺序从上面的逆序改成顺序的话,那么则成了f[i][v]由f[i][v-c[i]]推知,与本题意不符,但它却是另一个重要的背包问题P02最简捷的解决方案,故学习只用一维数组解01背包问题是十分必要的。
事实上,使用一维数组解01背包的程序在后面会被多次用到,所以这里抽象出一个处理一件01背包中的物品过程,以后的代码中直接调用不加说明。
过程ZeroOnePack,表示处理一件01背包中的物品,两个参数cost、weight分别表明这件物品的费用和价值。
[plain] view
plaincopy
procedureZeroOnePack(cost,weight)
for v=V..cost
f[v]=max{f[v],f[v-cost]+weight}
注意这个过程里的处理与前面给出的伪代码有所不同。前面的示例程序写成v=V..0是为了在程序中体现每个状态都按照方程求解了,避免不必要的思维复杂度。而这里既然已经抽象成看作黑箱的过程了,就可以加入优化。费用为cost的物品不会影响状态f[0..cost-1],这是显然的。
有了这个过程以后,01背包问题的伪代码就可以这样写:
[plain] view
plaincopy
for i=1..N
ZeroOnePack(c[i],w[i]);
初始化的细节问题
我们看到的求最优解的背包问题题目中,事实上有两种不太相同的问法。有的题目要求“恰好装满背包”时的最优解,有的题目则并没有要求必须把背包装满。一种区别这两种问法的实现方法是在初始化的时候有所不同。
如果是第一种问法,要求恰好装满背包,那么在初始化时除了f[0]为0其它f[1..V]均设为-∞,这样就可以保证最终得到的f
是一种恰好装满背包的最优解。
如果并没有要求必须把背包装满,而是只希望价格尽量大,初始化时应该将f[0..V]全部设为0。
为什么呢?可以这样理解:初始化的f数组事实上就是在没有任何物品可以放入背包时的合法状态。如果要求背包恰好装满,那么此时只有容量为0的背包可能被价值为0的nothing“恰好装满”,其它容量的背包均没有合法的解,属于未定义的状态,它们的值就都应该是-∞了。如果背包并非必须被装满,那么任何容量的背包都有一个合法解“什么都不装”,这个解的价值为0,所以初始时状态的值也就全部为0了。
这个小技巧完全可以推广到其它类型的背包问题,后面也就不再对进行状态转移之前的初始化进行讲解。
一个常数优化
前面的伪代码中有 for v=V..1,可以将这个循环的下限进行改进。
由于只需要最后f[v]的值,倒推前一个物品,其实只要知道f[v-w
]即可。以此类推,对以第j个背包,其实只需要知道到f[v-sum{w[j..n]}]即可,即代码中的
[plain] view
plaincopy
for i=1..N
for v=V..0
可以改成
[plain] view
plaincopy
for i=1..n
bound=max{V-sum{w[i..n]},c[i]}
for v=V..bound
这对于V比较大时是有用的。
小结
01背包问题是最基本的背包问题,它包含了背包问题中设计状态、方程的最基本思想,另外,别的类型的背包问题往往也可以转换成01背包问题求解。故一定要仔细体会上面基本思路的得出方法,状态转移方程的意义,以及最后怎样优化的空间复杂度。
#include "stdafx.h" #include <iostream> #include <cstdlib> #define N 3// the number of real node #define M 10 // total weight using namespace std; int _tmain(int argc, _TCHAR* argv[]) { //int v[N+1] = {0,6,3,5,4,6};// value //int w[N+1] = {0,2,2,6,5,4};// weight int v[N+1] = {0,4,5,6};// value int w[N+1] = {0,3,4,5};// weight //int weight = 10;// total weight int x[N+1]; int f[M+1] = {0}; //for(int j=1;j<=M;j++) for(int i=1;i<=N;i++) for(int j=M;j>=w[i];j--)// 选第i个看是否可以加入 不断更新;>w[i] 确保 f[j-w[i]]有意义,因为当j<w[i]时,就不能对该点进行选择 { if(f[j]<(f[j-w[i]]+v[i])) f[j] = f[j-w[i]]+v[i]; } for(int i=1;i<=M;i++) cout<<f[i]<<" ";//f[M] 为所求 cout<<endl; system("pause"); return 0; }
相关文章推荐
- 01背包空间优化的形式(滚动数组)(2955)
- hdu 4104 Discount 01背包变形+优化
- POJ 3624 Charm Bracelet (01背包 + 空间优化)
- hdu 6140 Hybrid Crystals 阅读题 OR bitset 优化01背包
- 01背包问题的分析与优化
- hdu 1059 多重背包 二进制优化 (完全 , 01)背包结婚
- 背包模板(01,完全,多重背包的二进制优化和单调队列优化
- 01背包问题——经典DP问题,优化与未优化
- 01背包的空间优化
- 优化后的01背包模板
- 动态规划7:砝码和种类优化成01背包问题
- WZOJ 1304 01背包加强版(完全背包单调队列优化)
- 01背包优化
- 01背包问题的优化解法
- [算法与数据结构] - No.12 动态规划之01背包以及01背包一维数组优化
- 01背包问题:Charm Bracelet (POJ 3624)(外加一个常数的优化)
- 01背包问题及空间优化
- 01背包问题优化
- dp 背包问题01的优化
- 关于背包九讲01背包中的常数优化