背包之01背包、完全背包、多重背包详解
2015-08-21 16:24
134 查看
首先说下动态规划,动态规划这东西就和递归一样,只能找局部关系,若想全部列出来,是很难的,比如汉诺塔。你可以说先把除最后一层的其他所有层都移动到2,再把最后一层移动到3,最后再把其余的从2移动到3,这是一个直观的关系,但是想列举出来是很难的,也许当层数n=3时还可以模拟下,再大一些就不可能了,所以,诸如递归,动态规划之类的,不能细想,只能找局部关系。
1.汉诺塔图片
(引至杭电课件:DP最关键的就是状态,在DP时用到的数组时,也就是存储的每个状态的最优值,也就是记忆化搜索)
要了解背包,首先得清楚动态规划:
动态规划算法可分解成从先到后的4个步骤:
1. 描述一个最优解的结构;
2. 递归地定义最优解的值;
3. 以“自底向上”的方式计算最优解的值;
4. 从已计算的信息中构建出最优解的路径。
其中步骤1~3是动态规划求解问题的基础。如果题目只要求最优解的值,则步骤4可以省略。
背包的基本模型就是给你一个容量为V的背包
在一定的限制条件下放进最多(最少?)价值的东西
当前状态→ 以前状态
看了dd大牛的《背包九讲》(点击下载),迷糊中带着一丝清醒,这里我也总结下01背包,完全背包,多重背包这三者的使用和区别,部分会引用dd大牛的《背包九讲》,如果有错,欢迎指出。
(www.wutianqi.com留言即可)
首先我们把三种情况放在一起来看:
01背包(ZeroOnePack): 有N件物品和一个容量为V的背包。(每种物品均只有一件)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。
完全背包(CompletePack): 有N种物品和一个容量为V的背包,每种物品都有无限件可用。第i种物品的费用是c[i],价值是w[i]。求解将哪些物品装入背包可使这些物品的费用总和不超过背包容量,且价值总和最大。
多重背包(MultiplePack): 有N种物品和一个容量为V的背包。第i种物品最多有n[i]件可用,每件费用是c[i],价值是w[i]。求解将哪些物品装入背包可使这些物品的费用总和不超过背包容量,且价值总和最大。
比较三个题目,会发现不同点在于每种背包的数量,01背包是每种只有一件,完全背包是每种无限件,而多重背包是每种有限件。
——————————————————————————————————————————————————————————–
先来分析01背包:
01背包(ZeroOnePack): 有N件物品和一个容量为V的背包。(每种物品均只有一件)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。
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。则其状态转移方程便是:
*这里f[v]就相当于二位数组的f[i][v]。那么,如何得到f[i-1][v]和f[i-1][v-c[i]]+w[i]?(重点!思考)
首先要知道,我们是通过i从1到n的循环来依次表示前i件物品存入的状态。即:for i=1..N
现在思考如何能在是f[v]表示当前状态是容量为v的背包所得价值,而又使f[v]和f[v-c[i]]+w[i]标签前一状态的价值?
这就是关键!
分析上面的代码:当内循环是逆序时,就可以保证后一个f[v]和f[v-c[i]]+w[i]是前一状态的!
这里给大家一组测试数据:
测试数据:
10,3
3,4
4,5
5,6
这个图表画得很好,借此来分析:
C[v]从物品i=1开始,循环到物品3,期间,每次逆序得到容量v在前i件物品时可以得到的最大值。(请在草稿纸上自己画一画)
2完全背包
完全背包(CompletePack): 有N种物品和一个容量为V的背包,每种物品都有无限件可用。第i种物品的费用是c[i],价值是w[i]。求解将哪些物品装入背包可使这些物品的费用总和不超过背包容量,且价值总和最大。
完全背包按其思路仍然可以用一个二维数组来写出:
3.多重背包转化为01,完全
a,二进制转化
b
c转化为完全背包
链接/article/2401560.html
1.汉诺塔图片
(引至杭电课件:DP最关键的就是状态,在DP时用到的数组时,也就是存储的每个状态的最优值,也就是记忆化搜索)
要了解背包,首先得清楚动态规划:
动态规划算法可分解成从先到后的4个步骤:
1. 描述一个最优解的结构;
2. 递归地定义最优解的值;
3. 以“自底向上”的方式计算最优解的值;
4. 从已计算的信息中构建出最优解的路径。
其中步骤1~3是动态规划求解问题的基础。如果题目只要求最优解的值,则步骤4可以省略。
背包的基本模型就是给你一个容量为V的背包
在一定的限制条件下放进最多(最少?)价值的东西
当前状态→ 以前状态
看了dd大牛的《背包九讲》(点击下载),迷糊中带着一丝清醒,这里我也总结下01背包,完全背包,多重背包这三者的使用和区别,部分会引用dd大牛的《背包九讲》,如果有错,欢迎指出。
(www.wutianqi.com留言即可)
首先我们把三种情况放在一起来看:
01背包(ZeroOnePack): 有N件物品和一个容量为V的背包。(每种物品均只有一件)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。
完全背包(CompletePack): 有N种物品和一个容量为V的背包,每种物品都有无限件可用。第i种物品的费用是c[i],价值是w[i]。求解将哪些物品装入背包可使这些物品的费用总和不超过背包容量,且价值总和最大。
多重背包(MultiplePack): 有N种物品和一个容量为V的背包。第i种物品最多有n[i]件可用,每件费用是c[i],价值是w[i]。求解将哪些物品装入背包可使这些物品的费用总和不超过背包容量,且价值总和最大。
比较三个题目,会发现不同点在于每种背包的数量,01背包是每种只有一件,完全背包是每种无限件,而多重背包是每种有限件。
——————————————————————————————————————————————————————————–
先来分析01背包:
01背包(ZeroOnePack): 有N件物品和一个容量为V的背包。(每种物品均只有一件)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。
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。则其状态转移方程便是:
f[i][v]=max{f[i-1][v],f[i-1][v-c[i]]+w[i]}
把这个过程理解下:在前i件物品放进容量v的背包时,
它有两种情况:
第一种是第i件不放进去,这时所得价值为:f[i-1][v]
第二种是第i件放进去,这时所得价值为:f[i-1][v-c[i]]+w[i]
(第二种是什么意思?就是如果第i件放进去,那么在容量v-c[i]里就要放进前i-1件物品)
最后比较第一种与第二种所得价值的大小,哪种相对大,f[i][v]的值就是哪种。
(这是基础,要理解!)
这里是用二位数组存储的,可以把空间优化,用一位数组存储。
用f[0..v]表示,f[v]表示把前i件物品放入容量为v的背包里得到的价值。把i从1~n(n件)循环后,最后f[v]表示所求最大值。
*这里f[v]就相当于二位数组的f[i][v]。那么,如何得到f[i-1][v]和f[i-1][v-c[i]]+w[i]?(重点!思考)
首先要知道,我们是通过i从1到n的循环来依次表示前i件物品存入的状态。即:for i=1..N
现在思考如何能在是f[v]表示当前状态是容量为v的背包所得价值,而又使f[v]和f[v-c[i]]+w[i]标签前一状态的价值?
逆序!
这就是关键!这里给大家一组测试数据:
测试数据:
10,3
3,4
4,5
5,6
这个图表画得很好,借此来分析:
C[v]从物品i=1开始,循环到物品3,期间,每次逆序得到容量v在前i件物品时可以得到的最大值。(请在草稿纸上自己画一画)
2完全背包
for (int i=0; i<n; i++) for (int j=size[i]; j<=w; j++) f[j] = max(f[j], f[j-size[i]]+value[i]);
完全背包(CompletePack): 有N种物品和一个容量为V的背包,每种物品都有无限件可用。第i种物品的费用是c[i],价值是w[i]。求解将哪些物品装入背包可使这些物品的费用总和不超过背包容量,且价值总和最大。
完全背包按其思路仍然可以用一个二维数组来写出:
f[i][v]=max{f[i-1][v-k*c[i]]+k*w[i]|0<=k*c[i]<=v}
3.多重背包转化为01,完全a,二进制转化
#include<iostream> #include<stdio.h> using namespace std; int dp[100010];//注意数组大小 int value[2000],num[2000]; int n,m; int max(int a,int b) { if(a>b) return a; else return b; } void ZeroOnePack(int value,int weight) { int i; for(i=m;i>=value;i--) dp[i]=max(dp[i],dp[i-value]+weight); } void CompletePack(int value,int weight) { int i; for(i=value;i<=m;i++) dp[i]=max(dp[i],dp[i-value]+weight); } void MultiplePack(int value,int weight,int num) { if(value*num>=m) //转化为完全背包 CompletePack(value,weight); else //二进制优化 { int k=1; while(k<=num) { ZeroOnePack(k*value,k*weight); num-=k; k<<=1; } ZeroOnePack(num*value,num*value); } } int main() { while(scanf("%d %d",&n,&m)) { if(n+m==0) break; int i; for(i=1;i<=m;i++) dp[i]=-10000000; //复制为最小 dp[0]=0; for(i=0;i<n;i++) scanf("%d",&value[i]); for(i=0;i<n;i++) scanf("%d",&num[i]); for(i=0;i<n;i++) MultiplePack(value[i],value[i],num[i]); //多重背包 int ans=0; for(i=1;i<=m;i++) //统计 { if(dp[i]>0) ans++; } printf("%d\n",ans); } return 0; }
b
or(int i=1;i<=n;i++) { scanf("%d%d",&s[i][0],&s[i][1]); int k=1; if(s[i][0]==0||s[i][1]==0) continue; while(s[i][0]-k>0) { t[cnt++]=k*s[i][1]; s[i][0]-=k; k*=2; } t[cnt++]=s[i][0]*s[i][1]; } memset(dp,0,sizeof(dp));
c转化为完全背包
#include<iostream> #include<stdio.h> #include<string.h> using namespace std; int dp[110000],num[100100],s[2000][2]; int main() { int cash,n; while(scanf("%d%d",&cash,&n)>0) { int cnt=0; for(int i=1;i<=n;i++) { scanf("%d%d",&s[i][0],&s[i][1]); } memset(dp,0,sizeof(dp)); for(int i=1;i<=n;i++) { memset(num,0,sizeof(num)); for(int j=s[i][1];j<=cash;j++) if(dp[j]<dp[j-s[i][1]]+s[i][1]&&num[j-s[i][1]]<s[i][0]) { dp[j]=dp[j-s[i][1]]+s[i][1]; num[j]=num[j-s[i][1]]+1; } } printf("%d\n",dp[cash]); } return 0; }
链接/article/2401560.html
相关文章推荐
- Theme.AppCompat.Light在高版本问题的解决方法
- 如何下载NBA球员投篮信息
- Java添加注册表协议
- 【转】笔试常考:C语言字节对齐
- solr5.2.1的在tomcat下的安装(Linux和Windows都可以)
- 蘑菇街内推面试经验
- Linux内核版本不同,导致找不到相关的头文件解决办法
- SPOJ1811 Longest Common Substring后缀自动机
- IndentationError: unexpected indent python
- Java NIO
- 函数的指针如何说明、赋值、调用
- codeforces 354C C. Vasya and Beautiful Arrays( 数论+枚举)
- android framework修改只有横屏或者竖屏
- rust by example 2
- Javascript 执行环境及作用域
- 二叉树中相差最大的两个节点间的差值绝对值(实际是用的遍历)
- 笔记121--图片压缩
- crontab-用法
- Android监听TextView跑马灯的状态
- 序