背包问题是一个关于最优解的经典问题。通常被讨论的最多的,最经典的背包问题是0-1背包问题(0-1 Knapsack Problem)。它是一切背包问题及相关背包问题的基础。本篇博文将详细分析0-1背包问题,并给出0-1背包问题的几种解法,同时也对0-1背包问题的内涵进行延伸,丰富其外延至完全背包问题和多重背包问题,并给出背包问题的算法实现过程,希望对大家有帮助。
一、0-1背包问题
有N件物品和一个容量为V的背包。第i件物品(每个物品只有一件)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。在选择装入背包的物品时,对每种物品i只有两种选择,即装入背包或不装入背包。不能将物品i装入背包多次,也不能只装入部分的物品。因此,该问题称为0-1背包问题。
(1)递归求解
算法如下:
#include "iostream"
#define CAPACITY 10
#define GOODSNUM 6
using namespace std;
int nVol[GOODSNUM];
int nValue[GOODSNUM];
int knapsack(int itemIndex,int vol);
void main()
{
int i=0,j=0;
while(i<GOODSNUM)
{
cout<<"input the "<<i+1<<"th item(volume and value):";
cin>>nVol[i]>>nValue[i];
i++;
}
cout<<"The max value is: "<<knapsack(GOODSNUM,CAPACITY)<<endl;
}
int knapsack(int itemIndex,int vol)
{
if (itemIndex==0||vol==0)
{
return 0;
}
else if (vol>=nVol[itemIndex] && knapsack(itemIndex-1,vol)<knapsack(itemIndex-1,vol-nVol[itemIndex])+nValue[itemIndex])
{
return knapsack(itemIndex-1,vol-nVol[itemIndex])+nValue[itemIndex];
}
else
return knapsack(itemIndex-1,vol);
}
分析:递归求解,求解过程中的绝大部分变量存在重复求解的过程,算法的效率较低,有待改进;那怎么改进呢?最有效的是用数组保存每次计算的结果,不用重复计算,于是有二维数组求解。
(2)二维数组求解
算法如下:
#include "iostream"
#define CAPACITY 10
#define GOODSNUM 6
using namespace std;
void main()
{
int i=1,j;
int v[GOODSNUM] = {10,12,40,40,40,15};
int c[GOODSNUM] = {1,2,3,5,2,1};
int fun[GOODSNUM+1][CAPACITY+1];
for (i=1;i<=GOODSNUM;i++)
{
fun[i][0] = 0;
}
for (i=1;i<=CAPACITY;i++)
{
fun[0][i] = 0;
}
for (i=1;i<=GOODSNUM;i++)
{
for (j=1;j<=CAPACITY;j++)
{
if (j<c[i-1])
{
fun[i][j] = fun[i-1][j];
}
else if (fun[i-1][j]<fun[i-1][j-c[i-1]] + v[i-1])
{
fun[i][j] = fun[i-1][j-c[i-1]] + v[i-1];
}
else
fun[i][j] = fun[i-1][j];
}
}
cout<<"The max value is: "<<fun[GOODSNUM][CAPACITY]<<endl;
}
分析:二维数组求解方法相比递归求解要优越很多,但是其空间复杂度依然较高,还有继续改进的余地吗?一维数组是否可行呢?答案是肯定的
(3)一维数组求解
算法分析:
#include "iostream"
#define CAPACITY 10
#define GOODSNUM 6
using namespace std;
void main()
{
int nVolume[GOODSNUM] = {1,2,3,5,2,1};
int nValue[GOODSNUM] = {10,12,40,40,40,15};
int selectTable[GOODSNUM][CAPACITY+1] = {0};
int nKnapsack[CAPACITY+1] = {0};//most important for the first compution below
int itemIndex,capIndex;
for (itemIndex=0;itemIndex<GOODSNUM;itemIndex++)
{
for (capIndex=CAPACITY;capIndex>=nVolume[itemIndex];capIndex--)//notice that capIndex>=nVolume[itemIndex],not capIndex>=0 注意此处与二维数组求解的区别
{
if (nKnapsack[capIndex]<nKnapsack[capIndex-nVolume[itemIndex]]+nValue[itemIndex])
{
nKnapsack[capIndex] = nKnapsack[capIndex-nVolume[itemIndex]]+nValue[itemIndex];
selectTable[itemIndex][capIndex] = 1;
}
else
nKnapsack[capIndex] = nKnapsack[capIndex];
}
}
cout<<"The max value is: "<<nKnapsack[CAPACITY]<<endl;
cout<<"The selected items are: ";
for (itemIndex = GOODSNUM-1,capIndex = CAPACITY;itemIndex>=0;itemIndex--)
{
if (selectTable[itemIndex][capIndex])
{
cout<<itemIndex+1<<" ";
capIndex = capIndex - nVolume[itemIndex];
}
}
cout<<endl;
}
分析:在一维数组实现中将空间复杂度由O(GOODSNUM*CAPACITY)降低到O(CAPACITY)并同时进行了代码优化,同时也给出了选择物品的编号。
二、完全背包问题
若你能给深入理解0-1背包问题和其深刻内涵,并真正明白一维数组求解背包问题后,下面的问题对你来说就相当容易了。
完全背包问题:有N种物品和一个容量为V的背包,每种物品都有无限件可用。第i种物品的费用是c[i],价值是w[i]。求解将哪些物品装入背包可使这些物品的费用总和不超过背包容量,且价值总和最大。
求解分析:目标是转化为0-1背包问题。如将费用/容量为nVolume[itemIndex]的物品转化为CAPACITY/nVolume[itemIndex]相同费用和价值的物品,直接用前面的三种0-1背包问题求解。除此之外还有其它可行的求解方法吗?可以对0-1背包问题的状态方程f[i][v]=max{f[i-1][v],f[i-1][v-c[i]]+w[i]}稍加分析可得完全背包问题的状态方程f[i][v]=max{f[i-1][v-k*c[i]]+k*w[i]|0<=k*c[i]<=v},因而有以下算法实现过程,并最终给出了所选择的物品和选择该物品的数目。
实现算法:
#include "iostream"
#define CAPACITY 10
#define GOODSNUM 6
using namespace std;
void main()
{
int num,k,max;
int nVolume[GOODSNUM] = {1,4,3,5,5,3};
int nValue[GOODSNUM] = {2,8,40,60,10,3};
int selectTable[GOODSNUM][CAPACITY+1] = {0};
int nKnapsack[CAPACITY+1] = {0};//most important for the first compution below
int itemIndex,capIndex;
for (itemIndex=0;itemIndex<GOODSNUM;itemIndex++)
{
for (capIndex=CAPACITY;capIndex>=nVolume[itemIndex];capIndex--)//notice that capIndex>=nVolume[itemIndex],not capIndex>=0
{
num = 0;
max = nKnapsack[capIndex];
for (k=1;k<=CAPACITY/nVolume[itemIndex];k++)
{
if (capIndex>=k*nVolume[itemIndex] && max<nKnapsack[capIndex-k*nVolume[itemIndex]]+k*nValue[itemIndex])
{
max = nKnapsack[capIndex-k*nVolume[itemIndex]]+k*nValue[itemIndex];
num = k;
}
}
nKnapsack[capIndex] = max;
selectTable[itemIndex][capIndex] = num;
}
}
cout<<"The max value is: "<<nKnapsack[CAPACITY]<<endl;
cout<<"The selected items are: "<<endl;
for (itemIndex = GOODSNUM-1,capIndex = CAPACITY;itemIndex>=0;itemIndex--)
{
if (selectTable[itemIndex][capIndex])
{
cout<<itemIndex+1<<":"<<selectTable[itemIndex][capIndex]<<" ";
capIndex = capIndex - selectTable[itemIndex][capIndex]*nVolume[itemIndex];
}
}
cout<<endl;
}
三、多重背包问题
多重背包问题:有N种物品和一个容量为V的背包。第i种物品最多有n[i]件可用,每件费用是c[i],价值是w[i]。求解将哪些物品装入背包可使这些物品的费用总和不超过背包容量,且价值总和最大。
多重背包问题基本求解方式同完全背包问题,唯一的是控制参数k的限制有所不同。只需要将完全背包问题实现中的
k<=CAPACITY/nVolume[itemIndex]
限制条件改为
k<=CAPACITY/nVolume[itemIndex] && k<= n[i]
即可。
分享到:
相关推荐
9大背包问题详解
这里有9种背包问题的详解,包括01背包问题,完全背包问题,多重背包问题,混合三种背包问题,二维费用的背包问题,分组的背包问题,有依赖的背包问题,泛华物品,背包问题问法的变化。每种背包问题不仅有详细的讲解...
Pascal编程中的问题,关于背包问题的详解
本文详细的分析了贪心算法的背包问题,并且提供的代码。
动态规划(DP)——背包问题算法详解[背包九讲]
背包问题(0-1背包,完全背包,多重背包知识概念详解)内含实例代码解析,详细讲解了背包的基本概念及简单运用问题
0-1背包问题动态规划详解及代码,下载使用,0-1背包问题动态规划详解及代码。
背包问题详解 01背包,完全背包,多重背包,混合背包,二维费用背包,分级背包,泛化物品等等的分析思路,解题技巧,还有各种背包问题的题目解答。
背包之01背包、完全背包、多重背包详解.
对各种背包问题的详解,01背包,多重背包等等
简单的遗传算法用于解决背包问题codeblocks编写,运行成功
问题描述: 给定n种物品和一背包。物品i的重量是wi,其价值为vi,背包的容量为C。问应如何选择装入背包的物品,使得装 入背包中物品的总价值最大? 源代码: *****************************************************...
背包问题详解(含代码)
背包问题 背包问题(Knapsack problem)是一种组合优化的NP完全问题,其问题描述为:给定一组物品,每种物品都有自己的重量和价格,在限定的总重量内,如何选择才能使得物品的总价格最高。这个问题名称来源于如何...
经典的背包问题九讲文档,包含了01背包及其变种的详细解释。
大部分背包问题,并且还有例题和详细的讲解
《背包问题九讲》,dd_engi大神原作,从属于《动态规划的思考艺术》系列这系列文章的第一版于2007 年下半年使用EmacsMuse 制作,以HTML 格式发布 到网上,转载众多,有一定影响力。2011 年9 月,本系列文章由原作者...
01背包问题属于组合优化问题的一个例子,求解01背包问题的过程可以被视作在很多可行解当中求解一个最优解。01背包问题的一般描述如下: 给定n个物品和一个背包,物品i的重量为Wi,其价值为Vi,背包的容量为C。选择...
背包问题: 01背包问题 02: 完全背包问题 03: 多重背包问题 04: 混合三种背包问题 05: 二维费用的背包问题 06: 分组的背包问题 07: 有依赖的背包问题 08: 泛化物品 09: 背包问题问法的变化 11: 背包问题的搜索解法