背包dp相关问题

采药

思路

01背包模板代码

#include <iostream>
using namespace std;
const int N = 105,M = 1e3+10;
int f[N][M];//fij 前i个物品 在时间为j的前提下的最大值
int t[N],v[N];
int T,n;
int main() {
    cin>>T>>n;
    for(int i = 1;i<=n;i++)
    {
        scanf("%d%d",&t[i],&v[i]);
    }

    for(int i = 1;i<=n;i++){
        for(int j = 1;j<=T;j++){
            f[i][j] = f[i-1][j];
            if(j>=t[i]){
                f[i][j] = max(f[i][j],f[i-1][j-t[i]]+v[i]);
            }
        }
    }

    cout<<f[n][T];

    return 0;
}

优化代码:
这里把条件写错了,de了好久,吐了,乌鱼子

#include <iostream>
using namespace std;
const int N = 105,M = 1e3+10;
int f[M];//fij 前i个物品 在时间为j的前提下的最大值
int t[N],v[N];
int T,n;
int main() {
    cin>>T>>n;
    for(int i = 1;i<=n;i++)
    {
        scanf("%d%d",&t[i],&v[i]);
//        cout<<t[i]<<' '<<v[i]<<endl;
    }
    for(int i = 1;i<=n;i++){
        for(int j = T;j>=t[i];j--){
                f[j] = max(f[j],f[j-t[i]]+v[i]);
//            if(j==95) cout<<f[95]<<endl;
        }
    }

    cout<<f[T];

    return 0;
}

多重背包三

单调队列优化
在这里插入图片描述

#include <iostream>
#include <cstring>
#include <queue>
using namespace std;
const int N = 1e3+10,M = 2e4+10;
int f[M],g[M],q[M];
int main() {
    int n,m;
    cin>>n>>m;
    for(int i = 1;i<=n;i++){
        int v,w,s;
        memcpy(g,f,sizeof f);
        scanf("%d%d%d",&v,&w,&s);
        for(int j = 0;j<v;j++){
            int hh = 0,tt = -1;//每一个类都要维护一个滑动窗口
            for(int k = j;k<=m;k+=v){
                //k往后每次走v
                if(hh<=tt&&q[hh]< k-s*v) hh++;//队头不在窗口中 队头出队
                if(hh<=tt) f[k] = max(f[k],g[q[hh]]+(k-q[hh])/v*w); //用队头(最大值)去更新当前f[k]值 但是使用的是f[i-1][q[hh]]的值 所以要用g[M]存下上一排
                while(hh<=tt&&g[q[tt]]+(k-q[tt])/v*w<=g[k]) tt--;
                q[++tt] = k;
            }
        }
    }
    cout<<f[m];
    return 0;
}

### 动态规划求解背包问题 #### 定义与背景 背包问题是一类经典的组合优化问题,旨在给定一组物品及其价值和重量的情况下,在不超过容量的前提下最大化所选物品的价值总和。对于此类问题,动态规划提供了一种有效的解决方案。 #### 线性动态规划简介 线性动态规划是指那些状态转移仅依赖于前一步骤的状态,并且这些状态沿单一方向依次更新的情况[^3]。当应用于背包问题时,这意味着当前决策只取决于之前的选择结果而不涉及未来的预测。 #### 使用线性DP解决0/1背包问题的具体方法 为了简化说明,这里讨论的是最基础版本的0/1背包问题: - 设有n件不同类型的物品以及一个最大承重为W的背包; - 对第i项物品而言,其对应的权重wi和收益vi都是已知量; 定义二维数组`dp[i][w]`表示从前i个物件里挑选若干放入载荷上限为w的包裹内所能获得的最大效益,则状态转换方程可写作如下形式: \[ dp[i][w]=\max(dp[i−1][w],dp[i−1][w-w_i]+v_i)\] 其中\( w \geqslant wi\) ,否则取 \(dp[i][w]=dp[i-1][w]\),即不考虑加入新项目的情形。 此过程通过迭代遍历所有可能的商品组合来逐步构建最终解答表,从而找到全局最优解。 ```python def knapsack(weights, values, capacity): n = len(values) # 创建并初始化dp表格 dp = [[0]*(capacity+1) for _ in range(n+1)] for i in range(1,n+1): for c in range(capacity+1): if weights[i-1]<=c: dp[i][c]= max(dp[i-1][c],values[i-1]+dp[i-1][c-weights[i-1]]) else : dp[i][c]=dp[i-1][c] return dp[-1][-1] ``` 上述代码实现了基于线性动态规划原理处理标准型整数约束下的0/1背包模型的功能[^2]。 #### 性能分析 这种方法的时间复杂度主要由两个嵌套循环决定,因此总体效率大约为O(N*W),N代表商品数量而W则是指代背包容积大小。尽管如此,由于采用了记忆化技术保存中间运算成果,使得实际执行速度远优于暴力穷举法。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值