【动态规划】三种基本背包问题

动态规划 是对解最优化问题的一种途径 它往往是针对一种最优化问题 根据问题的不同性质 确定不同的设计方法

因为这篇文章我想说点关于背包问题的事情 所以不再过多介绍动态规划

背包问题 是动态规划中的一个经典题型 在联赛中也经常出现 其基本问题主要分为01 完全 多重 三种

下面就通过程序与例题分别来说一下三种基本问题

01背包

有n件物品和容量为m的背包 给出i件物品的重量以及价值 求解让装入背包的物品重量不超过背包容量 且价值最大

特点 这是最简单的背包问题 特点是每个物品只有一件供你选择放还是不放

对于这个问题一般有两种解法 下面分别来介绍一下

① 二维解法

设f[i][j]表示前i件物品 总重量不超过j的最大价值 可得出状态转移方程

f[i][j]=max{f[i-1][j-a[i]]+b[i],f[i-1][j]}

代码如下

#include<iostream>
using namespace std;
int main()
{
int m,n;
cin>>n>>m;
int a[50001],b[50001];
int f[5001][5001];
for(int i=1;i<=n;i++)cin>>a[i]>>b[i];
for(int i=1;i<=n;i++)
for(int j=m;j>0;j--){
if(a[i]<=j)f[i][j]=max(f[i-1][j],f[i-1][j-a[i]]+b[i]);
else f[i][j]=f[i-1][j];
}
cout<<f
[m]<<endl; //最优解
//COYG
}

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
[/code]

虽然“原理”没有错 但是f数组开的太大 (一般应该5000就顶头了)

在一些情况下 题目的数据会很大 因此f数组不开到一定程度是没有办法ac的 那么该怎么办呢 于是

②一维解法

设f[j]表示重量不超过j公斤的最大价值 可得出状态转移方程

fj=maxj{fj,f[j−a[i]]+b[i]}” role=”presentation” style=”text-align: center; position: relative;”>fj=maxj{fj,f[j−a[i]]+b[i]}fj=maxj{fj,f[j−a[i]]+b[i]}

代码如下

#include<iostream>
using namespace std;
int main()
{
int n,m;
cin>>n>>m;
int a[50001],b[50001];
for(int i=1;i<=n;i++)cin>>a[i]>>b[i];
int f[50001]={0};
for(int i=1;i<=n;i++){
f
4000
or(int j=m;j>=a[i];j--)
if(f[j-a[i]]+b[i]>f[j])f[j]=f[j-a[i]]+b[i];
}
cout<<f[m]<<endl;   //最优解
//COYG
}

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
[/code]

这样用一维数组代替二维数组就解决了很多问题 所以用一维数组解决01背包是很重要的

01背包的例题有：[USACO07DEC]手链Charm Bracelet(洛谷搜索 P2871) 采药(洛谷搜索 P1048) [Noip普及组2001]装箱问题(洛谷搜索 P1049)

完全背包

有n件物品和容量为m的背包 给出i件物品的重量以及价值 求解让装入背包的物品重量不超过背包容量 且价值最大

特点 题干看似与01一样 但它的特点是每个物品可以无限选用

其实这个题也可以写二维和一维两种 但之前已经说过了二维的有一定局限 所以在此之介绍一维

一维

设f[j]表示重量不超过j公斤的最大价值 可得出状态转移方程

fj=maxj{fj,f[j−a[i]]+b[i]}” role=”presentation” style=”text-align: center; position: relative;”>fj=maxj{fj,f[j−a[i]]+b[i]}fj=maxj{fj,f[j−a[i]]+b[i]}

代码如下

#include<iostream>
using namespace std;
int main()
{
int n,m;
cin>>n>>m;
int a[50001],b[50001];
int f[50001]={0};
for(int i=1;i<=n;i++){
cin>>a[i]>>b[i];
}
for(int i=1;i<=n;i++)
for(int j=a[i];j<=m;j++){
if(f[j-a[i]]+b[i]>f[j])f[j]=f[j-a[i]]+b[i];
}
cout<<f[m]<<endl;//最优解
//COYG
}

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
[/code]

大家有没有感觉代码很熟悉？每错 一维完全背包的代码与一维01背包的代码只在循环上有些差别 而且状态转移方程也一样

例题可以百度搜索收益(也叫投资)

算了好人做到底我还是ctrl+v一下题目吧

【题目描述】收益 (POJ 2063)

“建太空梯进入太空要1兆亿？”魔法学院的院长瞪大了眼睛。

“这只是基础设施的费用，后期还要……”墨老师掰着手指算。

“哎呀，现在地主也很穷啊，学院的钱批下来就这么多，你想办法用这笔钱在债券市场上获得最大收益吧。”院长皱着眉头。

简单来说，就是你有一笔钱，你要将这笔钱去投资债券，现在有d种债券，每种债券都有一个价值和年收益，债券的价值是1000的倍数，问你如何投资在n年后的获得最大收益。

【输入格式】

第一个为一个整数M，表示有M组数据。

每组数据第一行有两个整数，表示初始资金(不超过50000)和年数n。

每组数据第二行为一个整数d(1 ≤ d≤10)，表示债券种类。

随后d行每行有两个整数，表示该债券的价值和年收益。年收益不会超过债券价值的10%。

所有数据不超过整型取值范围。

【输出格式】

每组数据，输出n年后获得的最大收益。

【输入样例】

1

10000 4

2

4000 400

3000 250

【输出样例】

14050

贴一下我这个题的代码

#include<iostream>
#include<cstring>
using namespace std;
int main()
{
int m,y,n,d,ans=0,a[100001],b[100001];
int f[100001]={0};
cin>>m;
while(m--){
cin>>y>>n;
cin>>d;
for(int i=1;i<=d;i++){
cin>>a[i]>>b[i];
}
for(int o=1;o<=n;o++){
for(int i=1;i<=d;i++)
for(int j=a[i];j<=y;j++){
f[j]=max(f[j-a[i]]+b[i],f[j]);
}
y+=f[y]; //每次都要累计
memset(f,0,sizeof(f));
}
cout<<y<<endl;
}
return 0;
} //小蒟蒻代码丑
//COYG

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
[/code]

多重背包

有n件物品和容量为m的背包 给出i件物品的重量以及价值 还有数量 求解让装入背包的物品重量不超过背包容量 且价值最大

特点 它与完全背包有类似点 特点是每个物品都有了一定的数量

状态转移方程为：

f[j]=max{f[j],f[j−k∗a[i]]+k∗b[i]}” role=”presentation” style=”text-align: center; position: relative;”>f[j]=max{f[j],f[j−k∗a[i]]+k∗b[i]}f[j]=max{f[j],f[j−k∗a[i]]+k∗b[i]}

【输入样例】

8 2

2 100 4

4 100 2

【输出样例】

400

代码如下

#include<iostream>

using namespace std;
int main()
{
int m,n;
cin>>m>>n;
int a[10001],b[10001],c[10001];
for(int i=1;i<=n;i++){
cin>>a[i]>>b[i]>>c[i];
}
int f[10001];
for(int i=1;i<=n;i++)
for(int j=m;j>=0;j--)
for(int k=0;k<=c[i];k++){
<
b7f7
span class="hljs-keyword">if(j-k*a[i]<0)break;
f[j]=max(f[j],f[j-k*a[i]]+k*b[i]);
}
cout<<f[m]<<endl;//最优解
}
//COYG

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
[/code]

这是一种简单的朴素算法 多重背包有常见的二进制优化转为01背包 以后会提到

这就是常见的三种基本背包问题 之后将会借助 【Noip普及组2001】装箱问题

来展现一下动态规划与贪心算法的联系

文章写的不好，继续努力！！

//COYG

转自：https://blog.csdn.net/qq_36303472/article/details/68935954