01背包,完全背包,多重背包的个人总结
2016-04-20 22:08
260 查看
大一刚接触背包问题的时候就觉得绕。那时候真的是一点代码基础都没有强行去理解。每次都是以失败告终,一直到大二都还不会写背包问题。
后来某次模拟赛之后碰到了背包问题,觉得这个还是挺简单的,终于是下定决心准备搞一搞这个东西了。
有了一定的基础理解起来就比以前容易多了。
首先,先分清楚这三个背包问题。
1.01背包:有n种物品与承重为m的背包。每种物品只有一件,每个物品都有对应的重量weight[i]与价值value[i],求解如何装包使得价值最大。
2.完全背包:有n种物品与承重为m的背包。每种物品有无限多件,每个物品都有对应的重量weight[i]与价值value[i],求解如何装包使得价值最大。
3.多重背包:有n种物品与承重为m的背包。每种物品有有限件num[i],每个物品都有对应的重量weight[i]与价值value[i],求解如何装包使得价值最大。
啊,说真的大一的我听了这些已经趴下去睡觉了。
但是真的比对起来会发现,其实这些问题都是很类似的,三种背包就是三个约束条件不一样而已。
那么针对不同的约束条件,开始解决问题。
(一)关于01背包
呐,为什么叫它01背包呢,因为装进去就是1,不装进去就是0.所以针对每个物品就两种状态,装,不装(请允许我用这么老套的开篇,相信听过很多次背包讲解的人,大多都是这个开篇的)所以咯,我这个背包啊,只要有足够大的空间,这个物品是有可能被装进去的咯。
所以有状态转移方程
dp[i][j] = max( dp[i-1][j] , dp[i-1][ j - weight[i] ] + value[i] )
然后二维数组的代码写法分分钟就出来了,反正都是跟前一个状态去转移,也没有什么写法上的限制。
然后啊,我们来仔细分析分析就会发现,这个数组开销还是很大的,因为是二维的,万一哪个数据一大,分分钟内存超限,因此有了下边的解法
传说中的---------------滚动数组!!!
啊?什么是滚动数组。
说白了二维数组只是把每个物品都跑一遍,然后到最后一个物品的时候输出答案,那么过程值只是计算的时候用一次,我没必要存下来。所以用一个数组去滚动存储,然后用后一个状态的值去覆盖前面一个状态。然后形象的叫它:滚动数组(ma!dan!一点都不形象,我理解了好久)
好吧,假装很形象。
那么问题来了,怎么样用一维的去代替二维的工作,或者说怎么去思考。这是一个难点。
那么我们想,遍历物品的那个for肯定不能省去,然后里边的for也不能省。。。。那么。就把那个i给他删了吧,好像确实没啥用哦。
然后就出现了这样的代码
看上去好像很厉害的样子,但是这个绝对是错的,因为第二个for里存在某个dp[j]被改动过,然后再次影响到更大的j。就像我们再对一个数组进行移位操作,一不小心就全部成了一样的数。(别笑,你们以前肯定碰到过|||- -)
额。。回到正题,上边的代码会有重复影响,确实歪打正着的碰上了另一个背包。这个另说,现在附上正确的思路。
(二)关于完全背包
就像先前讲的,完全背包是每个物品都无限,那么我只要对着一个性价比最高的物品狂选就是了啊。??
是吗?有瑕疵啊!
反例一批一批的啊,认死了选性价比最高的,不一定是完全填满背包的啊,万一最后一个是刚好填满背包的,而且价格凑起来刚好比全选性价比最高的物品高的情况比比皆是啊。
啊?什么,特判最后一个状态?
你在搞笑吗|||- -,那我再往前推到倒数第二件,第三件咋办。总不能对每个物品都特判吧。
所以正解就是动态规划。状态转移方程如下:
dp[i][j] = max ( dp[i-1][j - k*weight[i]] +k*value[i] ) 0<=k*weight[i]<=m
这样看是不是还要多一重for去算k(既放入这个物品的个数)
那么这里二维数组就不如一维的了。
上代码:
特意换了一种写法让整体的代码结构看上去更像背包一点。
其中第二个for中是从小到大遍历的。这样就是要利用这种影响(因为物品不知道取几个呀,能取就减咯,这种影响正好就是这个题目的意思)
(三)关于多重背包
理解了前面两种背包,那么第三种背包理解起来就毫不费力了
首先这种可以把物品拆开,把相同的num[i]件物品 看成 价值跟重量相同的num[i]件不同的物品,那么!!是不是就转化成了一个规模稍微大一点的01背包了。对不对!!对不对!!
No BB, show me the code!!
哦, 客官,您要的代码:
那只是一种理解方法,其实正规的应该是这样的
dp[i][j] = max ( dp[i-1][j - k*weight[i]] +k*value[i] ) 0<=k<=num[i](这个跟完全背包差点就一毛一样了啊喂|||- -)
那么还是用滚动数组来写,而且还又优化了下
代码参考:http://blog.csdn.net/acdreamers/article/details/8563283
帮助个人学习用,如果帮到大家的话也是极好的。
后来某次模拟赛之后碰到了背包问题,觉得这个还是挺简单的,终于是下定决心准备搞一搞这个东西了。
有了一定的基础理解起来就比以前容易多了。
首先,先分清楚这三个背包问题。
1.01背包:有n种物品与承重为m的背包。每种物品只有一件,每个物品都有对应的重量weight[i]与价值value[i],求解如何装包使得价值最大。
2.完全背包:有n种物品与承重为m的背包。每种物品有无限多件,每个物品都有对应的重量weight[i]与价值value[i],求解如何装包使得价值最大。
3.多重背包:有n种物品与承重为m的背包。每种物品有有限件num[i],每个物品都有对应的重量weight[i]与价值value[i],求解如何装包使得价值最大。
啊,说真的大一的我听了这些已经趴下去睡觉了。
但是真的比对起来会发现,其实这些问题都是很类似的,三种背包就是三个约束条件不一样而已。
那么针对不同的约束条件,开始解决问题。
(一)关于01背包
呐,为什么叫它01背包呢,因为装进去就是1,不装进去就是0.所以针对每个物品就两种状态,装,不装(请允许我用这么老套的开篇,相信听过很多次背包讲解的人,大多都是这个开篇的)所以咯,我这个背包啊,只要有足够大的空间,这个物品是有可能被装进去的咯。
所以有状态转移方程
dp[i][j] = max( dp[i-1][j] , dp[i-1][ j - weight[i] ] + value[i] )
然后二维数组的代码写法分分钟就出来了,反正都是跟前一个状态去转移,也没有什么写法上的限制。
#include<bits/stdc++.h> using namespace std; int dp[1005][1005]; int weight[1005]; int value[1005]; int main() { int n,m; cin>>m>>n; memset(dp,0,sizeof(dp));//数组清空,其实同时就把边界给做了清理 for(int i=1; i<=n; i++) cin>>weight[i]>>value[i]; //从1开始有讲究的因为涉及到dp[i-1][j],从0开始会越界 for(int i=1; i<=n; i++)//判断每个物品能否放进 { for(int j=0; j<=m; j++)//对每个状态进行判断 //这边两重for都可以倒着写,只是需要处理最边界的情况,滚动数组不一样 { if(j>=weight[i])//能放进 dp[i][j]=max(dp[i-1][j],dp[i-1][j-weight[i]]+value[i]); else dp[i][j]=dp[i-1][j];//不能放进 } } cout<<dp [m]<<endl; return 0; }
然后啊,我们来仔细分析分析就会发现,这个数组开销还是很大的,因为是二维的,万一哪个数据一大,分分钟内存超限,因此有了下边的解法
传说中的---------------滚动数组!!!
啊?什么是滚动数组。
说白了二维数组只是把每个物品都跑一遍,然后到最后一个物品的时候输出答案,那么过程值只是计算的时候用一次,我没必要存下来。所以用一个数组去滚动存储,然后用后一个状态的值去覆盖前面一个状态。然后形象的叫它:滚动数组(ma!dan!一点都不形象,我理解了好久)
好吧,假装很形象。
那么问题来了,怎么样用一维的去代替二维的工作,或者说怎么去思考。这是一个难点。
那么我们想,遍历物品的那个for肯定不能省去,然后里边的for也不能省。。。。那么。就把那个i给他删了吧,好像确实没啥用哦。
然后就出现了这样的代码
for(int i=1; i<=n; i++) { for(int j=weight[i]; j<=m; j++) { dp[j]=max(dp[j],dp[j-weight[i]]+value[i]); } }
看上去好像很厉害的样子,但是这个绝对是错的,因为第二个for里存在某个dp[j]被改动过,然后再次影响到更大的j。就像我们再对一个数组进行移位操作,一不小心就全部成了一样的数。(别笑,你们以前肯定碰到过|||- -)
额。。回到正题,上边的代码会有重复影响,确实歪打正着的碰上了另一个背包。这个另说,现在附上正确的思路。
#include<bits/stdc++.h> using namespace std; int dp[1005];//滚动数组的写法,省下空间省不去时间 int weight[1005]; int value[1005]; int main() { int n,m; cin>>m>>n; memset(dp,0,sizeof(dp)); for(int i=1; i<=n; i++) cin>>weight[i]>>value[i]; for(int i=1; i<=n; i++)//对每个数判断,可反 { for(int j=m; j>=weight[i]; j--)//这里这个循环定死,不能反,反了就是完全背包 { dp[j]=max(dp[j],dp[j-weight[i]]+value[i]);//其实不断在判断最优解,一层一层的 } } cout<<dp[m]<<endl; return 0; }其实就是规定从m开始循环,保证了选择这个物品时,肯定不会重复使用状态。
(二)关于完全背包
就像先前讲的,完全背包是每个物品都无限,那么我只要对着一个性价比最高的物品狂选就是了啊。??
是吗?有瑕疵啊!
反例一批一批的啊,认死了选性价比最高的,不一定是完全填满背包的啊,万一最后一个是刚好填满背包的,而且价格凑起来刚好比全选性价比最高的物品高的情况比比皆是啊。
啊?什么,特判最后一个状态?
你在搞笑吗|||- -,那我再往前推到倒数第二件,第三件咋办。总不能对每个物品都特判吧。
所以正解就是动态规划。状态转移方程如下:
dp[i][j] = max ( dp[i-1][j - k*weight[i]] +k*value[i] ) 0<=k*weight[i]<=m
这样看是不是还要多一重for去算k(既放入这个物品的个数)
那么这里二维数组就不如一维的了。
上代码:
#include<bits/stdc++.h> using namespace std; int dp[100005];//m struct Node{ int a,b; }node[1005];//n int main(){ int n; while(~scanf("%d",&n)){ for(int i=0;i<n;i++){ scanf("%d%d",&node[i].a,&node[i].b); } int m; scanf("%d",&m); memset(dp,0,sizeof(dp)); for(int i=0;i<n;i++){ for(int j=node[i].b;j<=m;j++){//这样就是完全背包 dp[j]=max(dp[j],dp[j-node[i].b]+node[i].a); } } printf("%d\n",dp[m]); } return 0; }
特意换了一种写法让整体的代码结构看上去更像背包一点。
其中第二个for中是从小到大遍历的。这样就是要利用这种影响(因为物品不知道取几个呀,能取就减咯,这种影响正好就是这个题目的意思)
(三)关于多重背包
理解了前面两种背包,那么第三种背包理解起来就毫不费力了
首先这种可以把物品拆开,把相同的num[i]件物品 看成 价值跟重量相同的num[i]件不同的物品,那么!!是不是就转化成了一个规模稍微大一点的01背包了。对不对!!对不对!!
No BB, show me the code!!
哦, 客官,您要的代码:
#include<bits/stdc++.h> using namespace std; int dp[1005]; int weight[1005],value[1005],num[1005]; int main() { int n,m; cin>>n>>m; memset(dp,0,sizeof(dp)); for(int i=1; i<=n; i++) cin>>weight[i]>>value[i]>>num[i]; for(int i=1; i<=n; i++)//每种物品 for(int k=0; k<num[i]; k++)//其实就是把这类物品展开,调用num[i]次01背包代码 for(int j=m; j>=weight[i]; j--)//正常的01背包代码 dp[j]=max(dp[j],dp[j-weight[i]]+value[i]); cout<<dp[m]<<endl; return 0; }
那只是一种理解方法,其实正规的应该是这样的
dp[i][j] = max ( dp[i-1][j - k*weight[i]] +k*value[i] ) 0<=k<=num[i](这个跟完全背包差点就一毛一样了啊喂|||- -)
那么还是用滚动数组来写,而且还又优化了下
代码参考:http://blog.csdn.net/acdreamers/article/details/8563283
#include<bits/stdc++.h> using namespace std; const int N = 1005; int dp ; int c ,w ,num ; int n,m; void ZeroOne_Pack(int cost,int weight,int n)//吧01背包封装成函数 { for(int i=n; i>=cost; i--) dp[i] = max(dp[i],dp[i-cost] + weight); } void Complete_Pack(int cost,int weight,int n)//把完全背包封装成函数 { for(int i=cost; i<=n; i++) dp[i] = max(dp[i],dp[i-cost] + weight); } int Multi_Pack(int c[],int w[],int num[],int n,int m)//多重背包 { memset(dp,0,sizeof(dp)); for(int i=1; i<=n; i++)//遍历每种物品 { if(num[i]*c[i] > m) Complete_Pack(c[i],w[i],m); //如果全装进去已经超了重量,相当于这个物品就是无限的 //因为是取不光的。那么就用完全背包去套 else { int k = 1; //取得光的话,去遍历每种取法 //这里用到是二进制思想,降低了复杂度 //为什么呢,因为他取的1,2,4,8...与余数个该物品,打包成一个大型的该物品 //这样足够凑出了从0-k个该物品取法 //把复杂度从k变成了logk //如k=11,则有1,2,4,4,足够凑出0-11个该物品的取法 while(k < num[i]) { ZeroOne_Pack(k*c[i],k*w[i],m); num[i] -= k; k <<= 1; } ZeroOne_Pack(num[i]*c[i],num[i]*w[i],m); } } return dp[m]; } int main() { int t; cin>>t; while(t--) { cin>>m>>n; for(int i=1; i<=n; i++) cin>>c[i]>>w[i]>>num[i]; cout<<Multi_Pack(c,w,num,n,m)<<endl; } return 0; }
帮助个人学习用,如果帮到大家的话也是极好的。
相关文章推荐
- 深入理解linux网络技术内幕读书笔记(一)--简介
- android获取指定路径下目录文件
- string::npos表示不存在的位置
- 团队项目:个人工作总结02
- Andriod中绘(画)图----Canvas的使用详解
- 【CQOI2016】密钥破解
- 最易忽略的东东:iptables和selinux
- java 继承
- Linux系统调用
- (LeetCode 130)Surrounded Regions(并查集)
- Gson之手动方式
- AlertDialog的简单封装
- C++作业4
- idea快捷键
- linux基础学习之 gsoap calc_test
- 单独使用 EHCache
- 20141226--数据提交+文件上传-02
- select自定义属性值
- 互联网思维
- Logistic回归原理介绍