各类背包问题小结
2016-11-06 15:45
127 查看
背包问题可以说是动态规划问题的代表了,几乎一说到动态规划,背包问题便是一个不能不说的问题。
先从简单的0-1背包问题说起。问题描述非常简单:
有一个体积为V的背包,你有N件物品,每件物品的体积和价值分别为v[i], val[i]。请问怎么选择物品能使背包价值最大。
很显然,用暴力的方法,即一件物品分选和不选两种情况来讨论,那么这个问题的复杂度就相当高了。所以我们必须寻找更优化的方法。
F(i,j) = max{F(i-1, j), F(i-1, j-v[i])}, j-v[i]>=0//是否选择这个物品的比较
F(i,j) = F(i-1, j), j-v[i]<0
(i=1->N; j=1->V)
显然,F(i,j)记录了当有i件物品,j体积时的最好情况。一步步动态规划求得最佳解。
但我们进一步思考,可以发现其实可以在空间上做一定优化。
F(j) = max( F[j], F[j-v[i]]+val[i] ) ,
j-v[i]>=0
(i=1->N; j=V->1)
这里有一个细节,就是j要从V->1,因为每件物品只有一件,这么循环才不会重复计算。
![](http://img.blog.csdn.net/20161106153634322?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQv/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/Center)
除了0-1背包,还有一个很典型的背包问题叫做完全背包。即不限制每件物品的数量。
一个比较容易想到的解法是转换为0-1背包问题,规定每件物品的数量为V/v[i]件,解法同0-1背包,总的复杂度为O(NV*Σ(V/c[i])) 。
但这个办法并不美好,有时数据会使这个算法很尴尬。
有一个好办法就是:
F(j) = max( F[j], F[j-v[i]]+val[i] ) , j-v[i]>=0
(i=1->N; j=1->N)
这个递推式和0-1背包空间优化后的非常相似,就是j是正着循环的。非常神奇吧,因为0-1背包要避免一件物品被重复放,而完全背包正好相反,它需要一件物品被重复放。
有了这个结论,那么完全背包问题也就迎刃而解了。
先从简单的0-1背包问题说起。问题描述非常简单:
有一个体积为V的背包,你有N件物品,每件物品的体积和价值分别为v[i], val[i]。请问怎么选择物品能使背包价值最大。
很显然,用暴力的方法,即一件物品分选和不选两种情况来讨论,那么这个问题的复杂度就相当高了。所以我们必须寻找更优化的方法。
F(i,j) = max{F(i-1, j), F(i-1, j-v[i])}, j-v[i]>=0//是否选择这个物品的比较
F(i,j) = F(i-1, j), j-v[i]<0
(i=1->N; j=1->V)
显然,F(i,j)记录了当有i件物品,j体积时的最好情况。一步步动态规划求得最佳解。
但我们进一步思考,可以发现其实可以在空间上做一定优化。
F(j) = max( F[j], F[j-v[i]]+val[i] ) ,
j-v[i]>=0
(i=1->N; j=V->1)
这里有一个细节,就是j要从V->1,因为每件物品只有一件,这么循环才不会重复计算。
#include<iostream> #include<cmath> #include<cstring> using namespace std; #define MAX_V 10000 //定义最大体积 int V,N; int v[100],val[100]; int dp1[100+1][MAX_V+1],dp2[MAX_V+1]; int ans1,ans2; //二维数组解决 void DP1() { for(int i=1;i<=N;i++) { for(int j=1;j<=V;j++) { if(j>=v[i]) { dp1[i][j] = max(dp1[i-1][j], dp1[i-1][j-v[i]]+val[i]); } else { dp1[i][j] = dp1[i-1][j]; } } } /*Debug for(int i=0;i<=N;i++) { for(int j=0;j<=V;j++) { cout<<dp1[i][j]<<" "; } cout<<endl; } */ ans1 = dp1 [V]; } //一维数组优化 void DP2() { for(int i=1;i<=N;i++) { for(int j=V;j>=1;j--) { if(j-v[i]>=0) dp2[j] = max(dp2[j],dp2[j-v[i]] + val[i]); } } /*Debug for(int j=0;j<=V;j++) { cout<<dp2[j]<<" "; } */ cout<<endl; ans2 = dp2[V]; } int main() { while(true) { memset(dp1,0,sizeof(dp1)); memset(dp2,0,sizeof(dp2)); cout<<"请输入背包体积:"<<endl; cin>>V; cout<<"请输入物品数量:"<<endl; cin>>N; cout<<"请输入各物品体积和价值:"<<endl; for(int i=1;i<=N;i++) { cin>>v[i]>>val[i]; } DP1(); cout<<"第一种方法答案:"<<endl; cout<<ans1<<endl; DP2(); cout<<"第二种方法答案:"<<endl; cout<<ans2<<endl; cout<<endl; } return 0; } /* 5 4 2 12 1 10 3 20 2 15 */
除了0-1背包,还有一个很典型的背包问题叫做完全背包。即不限制每件物品的数量。
一个比较容易想到的解法是转换为0-1背包问题,规定每件物品的数量为V/v[i]件,解法同0-1背包,总的复杂度为O(NV*Σ(V/c[i])) 。
但这个办法并不美好,有时数据会使这个算法很尴尬。
有一个好办法就是:
F(j) = max( F[j], F[j-v[i]]+val[i] ) , j-v[i]>=0
(i=1->N; j=1->N)
这个递推式和0-1背包空间优化后的非常相似,就是j是正着循环的。非常神奇吧,因为0-1背包要避免一件物品被重复放,而完全背包正好相反,它需要一件物品被重复放。
有了这个结论,那么完全背包问题也就迎刃而解了。
相关文章推荐
- 各类背包问题
- 背包问题小结
- DP背包问题小结(01背包,完全背包,需恰好装满或不需,一维DP、二维DP)
- 背包问题小结
- 动态规划小结——背包问题
- 0-1背包问题入门小结 动态规划(DP)经典题目 POJ324 POJ1276
- 0-1背包问题入门小结 动态规划(DP)经典题目 POJ324 POJ1276
- 0-1背包问题入门小结 动态规划(DP)经典题目 POJ324 POJ1276
- 01背包问题小结
- 各类背包问题
- 华为机试之背包问题小结
- 01背包问题小结
- 第k大问题各类变种小结
- 背包问题小结
- 背包问题小结
- 背包问题小结
- 背包问题小结--持续更新 算法基础篇(七)
- 背包问题小结
- 分组背包问题解法
- 125 - 背包问题 II