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。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]}

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。

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：

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。还是不明白的可以看下面的图



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。

procedure ZeroOnePack(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：

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。

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

for i=1..N

for v=V..0

可以改成

for i=1..n

bound=max{V-sum{c[i..n]},c[i]}

for v=V..bound

这对于V比较大时是有用的。

java实现

二维数组的方式

public class KnapSack {
public static void main(String[] args) {
int c = 12;//背包容量
int[] v = { 7, 3, 10, 4 }; // 物品重量
int[] w = { 5, 2, 8, 3 }; // 物品价值
int n = v.length;//共有n件物品
int[][] f = new int[n+1][c+1];//物品编号0---n,背包容量0----c
int[][] keep = new int[n+1][c+1];//用于记录哪些物品放入到背包中,若放入记为1，否则记为0
for(int i = 1; i<=n;i++){
for(int j=1;j<=c;j++){
if(w[i-1]<=j && (f[i-1][j-w[i-1]]+ v[i-1] > f[i-1][j])){
f[i][j] = v[i-1] + f[i-1][j-w[i-1]];
keep[i-1][j]=1;
}else{
f[i][j] = f[i-1][j];
keep[i-1][j] = 0;
}
}
}
int K = c;
for(int i=n;i>=1;i--){
if(K>=0 && keep[i-1][K] == 1){//物品编号从0开始，所以此处下标是i-1
System.out.println(i-1);
K = K-w[i-1];
}
}
for(int i=0;i<=n;i++){
for(int j=0;j<=c;j++){
System.out.print(f[i][j]+" ");
}
System.out.println();
}
}
}

运行结果

3
1
0
0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 7 7 7 7 7 7 7 7
0 0 3 3 3 7 7 10 10 10 10 10 10
0 0 3 3 3 7 7 10 10 10 13 13 13
0 0 3 4 4 7 7 10 11 11 14 14 14

可以看出获得的最大价值为14，应选择的物品编号为0， 1， 3

一维数组实现

public class KnapSack{
public static void main(String[] args) {
int m = 10;//背包容量
int[] v = { 7, 3, 10, 4 }; // 物品重量
int[] w = { 5, 2, 8, 3 }; // 物品价值
int n = v.length;//共有n件物品
int[] f = new int[m + 1];
for (int i = 0; i < f.length; i++) { // 不必装满则初始化为0
f[i] = 0;
}
for (int i = 0; i < n; i++) {
for (int j = f.length - 1; j >= w[i]; j--) {
f[j] = Math.max(f[j], f[j - w[i]] + v[i]);
}
}
System.out.println(f[f.length - 1]);//输入最大价值
}
}