动态规划之0-1背包问题
来源:互联网 发布:仿斗鱼直播源码 编辑:程序博客网 时间:2024/04/28 18:32
看了一些背包问题的资料,认为这个讲解比较容易理解。
首先介绍一下 动态规划
动态规划是解决最优化问题的。动态规划是把一个大问题分为若干性质相同的子问题,而这些子问题里面会有若干的重叠。然后我们就可以把求出来的子问题保存下来,以便后续直接利用。有点类似递推。
动态规划方法通常可按照以下几个步骤进行:
(1) 找出最优解的性质,并刻画其结构特征。
(2) 递归地定义最优解的值
(3) 以自底而上的方式计算出最优值
(4) 根据计算最优值时得到的信息,构造一个最优解。
规划过程的开始,也就是考虑的最后一步,就是边界。比如这里是否装第一个物品,边界就是是否已经装满
对于一个给定的问题,若具有以下两个性质,则可以考虑用动态规划法来求解。
(1) 最优子结构。如果一个问题的最优解中包含了其子问题的最优解,就说该问题具有最优子结构。当一个问题具有最优子结构时,提示我们动态规划法可能会适用,但是此时贪心策略可能也是适用的。
(2) 重叠子问题。指用来解原问题的递归算法可反复地解同样的子问题,而不是总在产生新的子问题。即当一个递归算法不断地调用同一个问题时,就说该问题包含重叠子问题。此时若用分治法递归求解,则每次遇到子问题都会视为新问题,会极大地降低算法的效率,而动态规划法总是充分利用重叠子问题,对于每个子问题仅计算一次,把解保存在一个在需要时就可以查看的表中,而每次查表的时间为常数。
问题:有n个物品,第i个物品价值为vi,重量为wi,其中vi和wi均为非负数,背包的容量为W,W为非负数。现需要考虑如何选择装入背包的物品,使装入背包的物品总价值最大。该问题以形式化描述如下:
目标函数为 :
约束条件为:
满足约束条件的任一集合(x1,x2,…,xn)是问题的一个可行解,问题的目标是要求问题的一个最优解。考虑一个实例,假设n=5,W=17, 每个物品的价值和重量如表9-1所示。可将物品1,2和5装入背包,背包未满,获得价值22,此时问题解为你(1,1,0,0,1)。也可以将物品4和5装入背包,背包装满,获得价值24,此时解为(0,0,0,1,1)。
下面根据动态规划的4个步骤求解该问题。
(1) 刻画0-1背包问题的最优解的结构。
可以将背包问题的求解过程看作是进行一系列的决策过程,即决定哪些物品应该放入背包,哪些物品不放入背包。如果一个问题的最优解包含了物品n,即xn=1,那么其余x1,x2,…,x(n-1)一定构成子问题1,2,…,n-1在容量W-wn时的最优解。如果这个最优解不包含物品n,即xn=0,那么其余x1,x2,…,x(n-1)一定构成子问题1,2,…,n-1在容量W时的最优解。
(2)递归定义最优解的值
根据上述分析的最优解的结构递归地定义问题最优解。设c[i,w]表示背包容量为w时,i个物品导致的最优解的总价值,得到下式。显然要求c[n,w]。
(3)计算背包问题最优解的值
代码:
#include <iostream> using namespace std; /*** c[i][w]表示背包容量为w时,i个物品导致的最优解的总价值,大小为(n+1)*(w+1) v[i]表示第i个物品的价值,大小为n w[i]表示第i个物品的重量,大小为n ***/ void DP(int n, int W, int c[][18], int *v, int *weight) { memset(*c, 0, (W+1)*sizeof(int)); for (int i = 1; i <= n; i++) { c[i][0] = 0; for (int w = 1; w <= W; w++) { if (weight[i-1] > w) //此处比较是关键 { c[i][w] = c[i-1][w]; } else { int temp = c[i-1][w-weight[i-1]] + v[i-1];//注意weight和v数组中的第i个应该为weight[i-1]和v[i-1] if (c[i-1][w] > temp) { c[i][w] = c[i-1][w]; // } else c[i][w] = temp; } } } } void findPath(int c[][18], int *x, int *weight, int n, int W) { int w = W; for (int i = n; i >= 2; i--) // { if (c[i][w] == c[i-1][w]) { x[i-1] = 0; } else { x[i-1] = 1; w = w - weight[i-1]; } } if (c[1][w] == 0) x[0] = 0; else x[0] = 1; } int main() { int n = 5; int W = 17; int w[] = {3, 4, 7, 8, 9}; int v[] = {4, 5, 10, 11, 13}; int c[6][18] = {0}; cout<<"请输入背包的最大容量:"<<endl; cin>>W; cout<<"输入物品数:\n"<<endl; cin>>n; cout<<"请分别输入物品的重量:"<<endl; for(int i=0;i<n;i++) cin>>w[i]; cout<<"请分别输入物品的价值:"<<endl; for(int i=0;i<n;i++) cin>>v[i]; DP(n, W, c, v, w); cout<<c[5][17]<<endl; //最大价值 int x[5]; findPath(c, x, w, n, W); for (int i = 0; i < n; i++) cout<<x[i]<<" "; }
转自:
http://blog.csdn.net/yeepom/article/details/8712224
关于动态规划,就是用空间换取时间,一般采取自顶向下的计算策略,如何进一步的优化空间效率是下一步学习的方向,动态规划与递归。。。
另外参考:
1. http://www.360doc.com/content/13/0601/00/8076359_289597587.shtml
2. http://blog.csdn.net/woshioosm/article/details/7438834
- 动态规划之0-1背包问题
- 动态规划之0-1背包问题
- 动态规划之0-1背包问题
- 动态规划 之 0-1背包问题
- 动态规划之0-1背包问题
- 动态规划之0/1背包问题
- 动态规划之0-1背包问题
- 动态规划之 0/1背包 问题
- 动态规划之0-1背包问题
- 动态规划之0-1背包问题
- 动态规划之0-1背包问题
- 动态规划之0-1背包问题
- 动态规划之0-1背包问题
- 动态规划之0-1背包问题
- 动态规划之0-1背包问题
- 动态规划之0-1 背包问题
- 动态规划之0-1背包问题
- 动态规划之0-1背包问题
- Contains Duplicate III
- 山东省第七届ACM大学生程序设计竞赛 K —Reversed Words
- 图解Android View的scrollTo(),scrollBy(),getScrollX(), getScrollY()
- Hibernate总结
- 计算机中的原码、反码、补码(上)
- 动态规划之0-1背包问题
- leetcode 16. 3Sum Closest
- 2076 Problem F Quick Brown Fox
- 进制之间的转换
- uva116 unidirectional TSP
- Ajax过程 事件代理
- 外观模式
- 虚拟机安装CentOS系统的上网设置(有线网络和无线网络)
- Android 5.0 启动过程中磁盘加密流程