[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
2017-08-14 20:33
302 查看
背包问题是我们使用动态规划的一个最常见的场景。所谓动态规划,就是基于一个递推公式及一个或多个初始状态,我们要找到某个状态的最优解,然后在它的帮助下,找到下一个状态的最优解。
当前子问题的解将由上一次子问题的解推出。使用动态规划来解题只需要多项式时间复杂度, 因此它比回溯法、暴力法等要快许多。
那么什么是背包问题呢?我们以最简单的01背包来描述以下场景:.
有 N 件物品和一个容量为 V 的背包。放入第 i 件物品耗费的费用是 Ci,得到的价值是 Wi。求解将哪些物品装入背包可使价值总和最大?注意,这一的每个物体都只有一个,所以对于每个物体都只有装不装两个选择,所以称为01背包
解决思路:
我们用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。我们这个问题可以化为至于两部分量有关:第i个物体和前i-1个物体
我们假设前i-1个物体放入v容量背包中的最大价值已经得到。那么我们只需要考虑第i个物体放与不放的问题即可。
如果i个物体不放入背包,那么问题就变成了前i-1的物体放入容量为v的背包求最大价值的问题
如果i-1个物体放入背包,那么问题就变成了求前i-1个物体放入容量v-ci的背包的问题,即
F [i,v] = max
{ F [i − 1,v],F [i − 1;,v − Ci] + Wi }
代码(NOIP2005普及组第3题 采药):
这道题可以直接作为模板使用,解题思路:
1.首先,定义边界条件:V(0,j)=V(i,0)=0
分别表示当我们一个物体都不考虑的时候,最大收益为0;当背包容量为0时。最大收益为0
2. 考虑物体i
当物体重量小于背包容量,并且放进去以后背包收益增大,则放进物体;dp[i][j] = dp[i-1][j-v[i]]+w[i]
3.否则不放进物体 dp[i][j] = dp[i-1][j]
01背包空间优化:
01背包问题,的时间复杂度和空间复杂度均为o(NV),时间复杂度无法再减小,但是空间复杂度可以再次减少,我们使用一维数组来优化算法
我们使用F[v]来代替上面的F[i,v];我们知道F [i; v] 是由 F [i − 1,v] 和F [i − 1, v − Ci] 两个子问题递推而来的,那么我们如何保证在推 F [i,v] 时(也即在第 i 次主循环中
推 F [v] 时)能够取用 F [i − 1, v] 和 F [i − 1,v − Ci] 的值呢?我们先给出答案;
F [v] = max{F [v], F [v − Ci] + Wi}
但是要注意一个问题,我们需要对v进行逆序的遍历为什么要逆序遍历呢?就是为了保证,我们的F [v] 是由之前的F [i − 1,v − Ci]递推而来而不是F [i ,v − Ci]递推而来
这里是不是很绕?
依据我们的算法:
F [0...V ] = 0
for i = 1 to N
for v = V to Ci
F [v] = max { F [v],F [v − Ci] + Wi }
我们来看一个例子:
我们假设有一个背包,最大容量为10,我们有以下三本书,书包最多能装多贵的书?
我们首先使用算法中的逆序来执行算法:
![](https://oscdn.geek-share.com/Uploads/Images/Content/201708/1b9af5f28d62d597ef4dc8f844cb5f88)
按照逆序,执行之后的表如上所示,显示最大为11
如果我们按照顺序来:
![](https://oscdn.geek-share.com/Uploads/Images/Content/201708/a36e86b200d4fe2fbb8bde9d8f052347)
如图所示,我们显示了便利的过程,例如F[4]由F[0]得到,F[5]由F[1]得到.....
但是注意看F[8],我们知道F[v]表示容量为v时候的最大价钱。当i = 1时候,w[1] = 5,但是F[8]却是10,也就是说,装进了两个。这是怎么回事呢?
当我们从前往后遍历的时候,先确定的是v比较小的F[v],这样的话,如果我们后边的某些v较大的F[v]使用了 F[v - ci]的值,这样F[v]就会出错。原因就是,此时F [v] 不是由之前的F [i − 1,v − Ci]递推而来,而是F [i ,v − Ci]递推而来。
想想我们在已经确定课F[4] = 5的时候,是不是相当于已经把i = 1 的物品放入背包了,但是当我们使用F[4] 来确定F[8]的时候,此时 i = 1 是已经放入背包的,与我们所预想的算法是不一样的,此时的F[1,8] 不是由f[0,8-4]推导而来,而是F[1,4]推导而来
完整算法如下所示(NOIP2005普及组第3题 采药):
P.S.文章不妥之处还望指正
当前子问题的解将由上一次子问题的解推出。使用动态规划来解题只需要多项式时间复杂度, 因此它比回溯法、暴力法等要快许多。
那么什么是背包问题呢?我们以最简单的01背包来描述以下场景:.
有 N 件物品和一个容量为 V 的背包。放入第 i 件物品耗费的费用是 Ci,得到的价值是 Wi。求解将哪些物品装入背包可使价值总和最大?注意,这一的每个物体都只有一个,所以对于每个物体都只有装不装两个选择,所以称为01背包
解决思路:
我们用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。我们这个问题可以化为至于两部分量有关:第i个物体和前i-1个物体
我们假设前i-1个物体放入v容量背包中的最大价值已经得到。那么我们只需要考虑第i个物体放与不放的问题即可。
如果i个物体不放入背包,那么问题就变成了前i-1的物体放入容量为v的背包求最大价值的问题
如果i-1个物体放入背包,那么问题就变成了求前i-1个物体放入容量v-ci的背包的问题,即
F [i,v] = max
{ F [i − 1,v],F [i − 1;,v − Ci] + Wi }
代码(NOIP2005普及组第3题 采药):
#include <iostream> using namespace std; int main() { int dp[102][1002]; int v[120]; int w[120]; int T,M; while(cin >>T>>M&&T>0&&M>0) { for(int i = 1; i<=M; i++) { cin>>v[i]>>w[i]; } for(int j = 0; j<=T; j++) { dp[0][j] = 0; } for(int j = 0 ; j<=M; j++) { dp[j][0] = 0; } for(int i = 1; i <= M; i++) { for(int j = 1 ; j<=T; j++) { if(j>=v[i]&&dp[i-1][j]<dp[i-1][j-v[i]]+w[i]) { dp[i][j] = dp[i-1][j-v[i]]+w[i]; } else { dp[i][j] = dp[i-1][j]; } } } cout<<dp[M][T]<<endl; } return 0; }
这道题可以直接作为模板使用,解题思路:
1.首先,定义边界条件:V(0,j)=V(i,0)=0
分别表示当我们一个物体都不考虑的时候,最大收益为0;当背包容量为0时。最大收益为0
2. 考虑物体i
当物体重量小于背包容量,并且放进去以后背包收益增大,则放进物体;dp[i][j] = dp[i-1][j-v[i]]+w[i]
3.否则不放进物体 dp[i][j] = dp[i-1][j]
01背包空间优化:
01背包问题,的时间复杂度和空间复杂度均为o(NV),时间复杂度无法再减小,但是空间复杂度可以再次减少,我们使用一维数组来优化算法
我们使用F[v]来代替上面的F[i,v];我们知道F [i; v] 是由 F [i − 1,v] 和F [i − 1, v − Ci] 两个子问题递推而来的,那么我们如何保证在推 F [i,v] 时(也即在第 i 次主循环中
推 F [v] 时)能够取用 F [i − 1, v] 和 F [i − 1,v − Ci] 的值呢?我们先给出答案;
F [v] = max{F [v], F [v − Ci] + Wi}
但是要注意一个问题,我们需要对v进行逆序的遍历为什么要逆序遍历呢?就是为了保证,我们的F [v] 是由之前的F [i − 1,v − Ci]递推而来而不是F [i ,v − Ci]递推而来
这里是不是很绕?
依据我们的算法:
F [0...V ] = 0
for i = 1 to N
for v = V to Ci
F [v] = max { F [v],F [v − Ci] + Wi }
我们来看一个例子:
我们假设有一个背包,最大容量为10,我们有以下三本书,书包最多能装多贵的书?
序号 | 重量 | 价钱 |
1 | 4 | 5 |
2 | 7 | 9 |
3 | 5 | 6 |
按照逆序,执行之后的表如上所示,显示最大为11
如果我们按照顺序来:
如图所示,我们显示了便利的过程,例如F[4]由F[0]得到,F[5]由F[1]得到.....
但是注意看F[8],我们知道F[v]表示容量为v时候的最大价钱。当i = 1时候,w[1] = 5,但是F[8]却是10,也就是说,装进了两个。这是怎么回事呢?
当我们从前往后遍历的时候,先确定的是v比较小的F[v],这样的话,如果我们后边的某些v较大的F[v]使用了 F[v - ci]的值,这样F[v]就会出错。原因就是,此时F [v] 不是由之前的F [i − 1,v − Ci]递推而来,而是F [i ,v − Ci]递推而来。
想想我们在已经确定课F[4] = 5的时候,是不是相当于已经把i = 1 的物品放入背包了,但是当我们使用F[4] 来确定F[8]的时候,此时 i = 1 是已经放入背包的,与我们所预想的算法是不一样的,此时的F[1,8] 不是由f[0,8-4]推导而来,而是F[1,4]推导而来
完整算法如下所示(NOIP2005普及组第3题 采药):
#include <iostream> using namespace std; int main() { int dp[1002]; int v[120]; int w[120]; int T,M; while(cin >>T>>M&&T>0&&M>0) { for(int i = 1; i<=M; i++) { cin>>v[i]>>w[i]; } for(int j = 0; j<=T; j++) { dp[j] = 0; } for(int i = 1; i <= M; i++) { for(int j = T; j>=0; j--) { if(j>=v[i]&&dp[j]<dp[j-v[i]]+w[i]) { dp[j] = dp[j-v[i]]+w[i]; } } } cout<<dp[T]<<endl; } return 0; }
P.S.文章不妥之处还望指正
相关文章推荐
- 01背包问题的一维数组解法
- 动态规划 - 0-1背包问题的算法优化
- 01背包问题(当有的背包重量是非整数时)的递归(优化成动态规划+再用滚动数组优化)解法+一些动态规划(递归,搜索)的高级技巧
- 蓝桥杯 ALGO-31算法训练 开心的金明(01背包,动态规划)
- 01背包空间优化的形式(滚动数组)(2955)
- 实际问题的算法抽象——动态规划中的01背包问题
- [算法]动态规划 多重背包 二进制优化
- 【算法数据结构Java实现】Java实现动态规划(背包问题)
- [算法与数据结构] - No.13 动态规划之完全背包
- 算法竞赛入门经典:第九章 动态规划初步 9.2完全01背包
- 数组的倒置引发对数据结构以及算法的一点点小想法
- java 数组中两数之差的最大值 蛮力算法 动态规划及其优化
- 算法竞赛宝典 动态规划 货币系统问题(完全背包+一维优化)
- 蓝桥杯算法训练 开心的金明(01背包,动态规划)
- 01背包 一维数组写的01背包
- 五、算法_动态规划_背包01
- c语言数据结构:01背包问题-------动态规划
- 简单的01背包 HDU - 2602 1864 二维、一维数组
- 01背包问题 总结关于为什么01背包优化成1维数组后,内层循环是逆序的?
- 蓝桥杯 ALGO-30算法训练 入学考试(01背包,动态规划)